基于改进初值带遗忘因子的递推最小二乘法的锂电池参数辨识

锂电池荷电状态(state of charge,SOC)的准确估计依赖于精确的锂电池模型参数。在采用带遗忘因子的递推最小二乘法(forgetting factor recursive least square,FFRLS)对锂电池等效电路模型进行参数辨识时,迭代初始值选取不当会造成辨识精度低、收敛速度慢的问题。为此,将电路分析法与FFRLS相结合,提出基于改进初值带遗忘因子的递推最小二乘法(improved initial value-FFRLS,IIV-FFRLS)。首先,通过离线辨识得到各荷电状态点对应的等效电路模型参数并进行多项式拟合;然后,利用初始开路电压(open circuit voltage,OCV)和OCV-SOC曲线获得初始SOC,代入参数拟合函数得到初始参数;最后,将初始参数带入递推公式得到IIV-FFRLS迭代初始值。对4种锂电池工况进行参数辨识,结果表明:与传统方法相比,IIV-FFRLS的平均相对误差、收敛时间分别减小58%、23%以上;IIV-FFRLS具有更高的辨识精度与更快的收敛速度。

基于动态遗忘因子递推最小二乘法和改进粒子滤波算法的锂电池SOC估计

为了提高锂电池荷电状态(SOC)估计的精度,提出了一种基于动态遗忘因子递推最小二乘法和改进粒子滤波算法相结合的锂电池SOC估计方法。针对固定遗忘因子递推最小二乘法在电池参数辨识中难以同时保持快速收敛和稳定性的问题,引入动态遗传因子,以模型辨识值和实际值的残差为变量构建修正公式,实现遗忘因子动态调整。为了改善粒子滤波(PF)的粒子多样性丧失问题,采用白鹭群优化算法(ESOA)对粒子滤波算法进行优化。仿真结果表明,基于动态遗忘因子递推最小二乘法和改进粒子滤波算法的锂电池SOC估计误差始终保持在0.3%以内,平均绝对误差和标准差为0.15%和0.17%,与其他算法相比具有更好的精度和稳定性。

双遗忘因子最小二乘法车辆质量和时变坡度估计

针对双遗忘因子最小二乘法由于数据饱和导致车辆变质量估计失效,在坡道起步时导致坡度估计性能下降的问题,提出一种改进算法。建立了车辆行驶时的纵向动力学数学模型,并根据最小二乘递推估计理论得到双遗忘因子最小二乘递推估计模型;针对原始算法的变质量估计问题,通过引入车速作为车辆停车的判断参数,并在停车后重新初始化协方差矩阵来消除数据饱和的影响;采用AVL CRUISE与Matlab/Simulink联合仿真对识别算法进行了验证。仿真对比分析表明,有效地验证了改进算法的合理性和可靠性,提高了算法在车辆质量和坡度估计时的收敛速度和精度。

遗忘因子递推最小二乘法辨识锂离子电池参数

递推最小二乘法是辨识锂离子电池等效电路模型参数常见的方法,然而随着递推过程中数据的增加,新数据的生成会受到旧数据的影响,导致误差较大。为此,对锂离子电池的二阶RC等效电路模型进行建模和分析,提出一种用于等效电路模型参数在线辨识的遗忘因子递推最小二乘(FFRLS)法。在动力应力测试实验的基础上,在线辨识等效电路模型参数,利用识别的电路参数对电池电压进行在线预测。通过对比不同遗忘因子(λ)下的端电压均方根误差,发现λ=0.86~0.94为最佳范围。所提算法的精度优于递推最小二乘(RLS)法,验证了算法的可行性和有效性。

基于带遗忘因子交替广义最小二乘法的多变量耦合系统参数辨识

针对多变量耦合系统参数辨识,在传统最小二乘法基础上,提出了一种带遗忘因子交替广义最小二乘法,该方法结合了递推最小二乘法与广义最小二乘法的优点,既能够实现无偏估计,计算又得到简化。该方法通过在线系统辨识,能够快速跟踪系统时变参数,可以获得高精度参数估计。最后通过d SPACE公司DS1103搭建了一个两入两出的水箱耦合系统,实验结果表明该系统辨识方法的有效性和可靠性。

基于最小二乘法的Creo钣金件展开长度算法研究

对传统的钣金件展开长计算方法进行了分析,结合生产经验,从最小二乘法的角度对K因子进行了计算拟合,通过重新定义Creo的折弯余量表实现不同板厚、半径的K因子自动计算,进而实现展开长的自动计算,其计算过程高效,结果准确,在实际生产中得到了良好的应用。

基于动态遗忘因子最小二乘与EKF的电池SOC估计

电池荷电状态SOC(state of charge)作为电池管理系统中尤为重要的一部分,其准确估计成为锂离子电池研究的重点;为了提高动态工况下的SOC估计精度,对锂离子电池等效模型进行分析,基于AIC(赤池信息)准则确定二阶RC电路为等效电路模型,使用递推最小二乘算法对模型参数进行在线辨识,为提高辨识精度,提出了带动态遗忘因子递推最小二乘的改进算法,对算法加入遗忘因子,通过电压结果误差实时动态调整算法遗忘因子取值;将递推最小二乘算法和含动态遗忘因子最小二乘算法分别与扩展卡尔曼滤波(EKF)算法进行SOC联合估计,并对比其预测效果,结果表明含有动态遗忘因子最小二乘与EKF联合估计模型具有更高的精度和鲁棒性。

可变遗忘因子递推最小二乘法对时变参数测量

针对传统的递推最小二乘法对于非平稳环境下的突变和时变信号的跟踪能力不够,常常无法检测到信号特征参数的问题,提出了在指数加权递推最小二乘法中引入可变的加权遗忘因子λ,对电力系统时变信号的幅值、相位、频率进行测量的方法。加权λ对算法的收敛速度和跟踪能力有很大影响,如能很好的调节λ,既可确保对时变参数的快速跟踪能力,又能具备小的参数估计误差。仿真结果表明:与传统的递推最小二乘法相比,该方法测量精度和收敛速度更优越,即使在低信噪比环境下,也能较精确的测出时变参数值。

时变系统遗忘因子最小二乘法的有界收敛性(英文)

利用随机过程理论研究了遗忘因子最小二乘法 (FFLS)的有界收敛性 ,给出了参数估计误差的上界 .分析表明 :i)对于时不变确定性系统 ,FFLS算法产生的参数估计以指数速度收敛于真参数 ;ii)对于时不变随机系统 ,FFLS算法给出有界均方估计误差 ;iii)对于时变随机系统 ,FFLS算法可以跟踪时变参数 ,且跟踪误差有界 .

基于可变遗忘因子递推最小二乘法的无传感器机器人末端接触力估计

随着人机共融生产模式的推广,人与机器人需要协作完成工作任务,在人机协作的过程中需要估计机器人末端接触力。传统的机器人末端接触力估计主要是基于外部传感器来实现的,这不仅会使机器人本体成本增加,还会使机器人的控制系统变得更加复杂。针对这个问题,研究了无外部传感器的机器人末端接触力估计算法。首先设计数字低通滤波器对机器人动力学方程进行滤波,建立不显含加速度信号的机器人动力学模型,然后将机器人末端接触力看作时变参数,采用递推最小二乘法估计末端接触力,通过动态的改变遗忘因子使算法具有更好的响应特性,达到了较好的效果。最后通过MATLAB和ADAMS联合仿真验证了算法的有效性。

永磁同步电机模糊遗忘因子最小二乘法参数辨识

电机节能控制中损耗模型法要求电机参数尽可能稳定准确,为提高永磁同步电机参数在线辨识的稳定性及收敛速度,基于带遗忘因子的最小二乘算法,提出一种模糊遗忘因子最小二乘算法。首先利用帕德逼近法线性化技术建立永磁同步电机线性回归数学模型,根据电流误差设计模糊控制器,进行遗忘因子的自适应调整,并将其应用于永磁同步电机定子电阻的在线辨识中,较好地解决了遗忘因子最小二乘算法中结果稳定性和收敛速度相互矛盾的问题,最后仿真验证了该方法的有效性。

基于动态遗忘因子递推最小二乘法的永磁同步电机参数辨识算法

针对固定遗忘因子递推最小二乘法(RLS)在永磁同步电机参数识别中难以同时保证快速性和鲁棒性的问题,提出一种动态调节遗忘因子大小的递推最小二乘参数识别算法。分析了遗忘因子对RLS算法的影响特性,以理论模型与实际模型输出的差值为变量构建遗忘因子调节函数,实现遗忘因子动态调整。仿真结果表明,相比于固定遗忘因子RLS算法,改进算法可以同时保证稳态抗干扰与动态快速收敛能力,具有优越性。

基于可变遗忘因子广义最小二乘法的光伏逆变器参数辨识

文章针对光伏逆变器系统参数辨识,将光伏逆变器视为一个线性系统,以广义最小二乘法为基础,提出一种可变遗忘因子广义最小二乘法。该方法结合实时最小二乘法和广义最小二乘法,可得到准确的光伏逆变器系统模型的参数。最后,利用SG800MX型光伏逆变器的电压和电流数据进行MATLAB仿真实验,验证了方法的实时性和准确性。

最小二乘算法优化及其在锂离子电池参数辨识中的应用

传统最小二乘法(LS)用于锂离子电池模型在线参数辨识精度低,通过带遗忘因子递推最小二乘算法能够有效地提高辨识精度,但固定的遗忘因子影响模型动态特性。遗忘因子的自适应处理能提高算法对动态系统的参数辨识能力,而目前的自适应方法容易忽略模型参数的稳定性,同时方法待定系数范围较大且难以确认。为了得到高精度且稳定性良好的模型参数,该文设计了一种精度和稳定性兼优且更简单的自适应遗忘因子递推最小二乘(AFFRLS)改进方法,并与其他AFFRLS、可变遗忘因子递推最小二乘(VFFRLS)进行仿真对比分析。结果表明,改进的AFFRLS能够在模型精度和参数稳定性取得更好的平衡,且对不同的在线工况具有良好的适用性。

基于遗忘因子递推最小二乘法的伺服系统转动惯量辨识方法

为了提高交流伺服系统的动态响应性能,要求伺服驱动器具有在线参数自整定功能。实际系统运行中负载转动惯量是未知的,所以在提高系统动态抗干扰能力的研究过程中,需要对负载转动惯量进行准确辨识,以保证伺服系统的最优控制效果。针对负载惯量变化引起的转动惯量变化问题,提出一种基于遗忘因子递推最小二乘法的负载转动惯量辨识方法,根据辨识出的转动惯量,实时调整速度调节器的参数,使系统具体良好的动静态性能。仿真结果表明,这一辨识方法具有较快的收敛速度和较高的辨识精度。

加入遗忘因子的递推最小二乘法在大惯性时变对象控制中的应用

大惯性时变对象是工业控制领域常见的控制对象。对于控制问题,提出加入遗忘因子的夏氏递推最小二乘法进行系统辨识,然后进行基于模型辨识的PID参数自整定。该方法利用夏氏递推算法在减小计算量的情况下保证对于系统的无偏估计,利用加入的遗忘因子来实现对于时变系统的自适应控制。在双容水箱上进行了实验,利用水箱本身的特性模拟大惯性,改变水箱阀门开度来模拟系统时变。实验结果验证了算法的有效性。

基于遗忘因子递推最小二乘法的锂电池等效电路模型参数辨识方法

对现有常用的锂离子电池模型进行分析,建立了便于工程应用的二阶RC网络等效电路模型,并在MATLAB中搭建相应电池模型,利用实测数据对电池模型参数进行离线辨识,对模型精度进行了验证。考虑到模型参数值在电池充放电过程中并不恒定,而是受到充放电倍率和电池荷电状态等因素影响不断变化,因此为提高模型精度,采用含遗忘因子的递推最小二乘方法进行模型参数的在线辨识,通过仿真分析对比不同遗忘因子的影响,确定了遗忘因子的最佳范围。实验结果表明,随着遗忘因子从1开始减小,模型的精度会先提高再减小。本模型比较合适的遗忘因子范围大致为0.90~0.95,最佳值应在0.94附近,此时模型的平均电压误差仅为0.00043 V,证明了本文辨识方法的正确性和高精度。

基于遗忘因子递推最小二乘法的锂电池等效电路模型参数辨识方法

本文对现有常用的锂离子电池模型进行分析,建立了便于工程应用的二阶RC网络等效电路模型,并在MATLAB中搭建相应电池模型,利用实测数据对电池模型参数进行离线辨识,对模型精度进行了验证。考虑到模型参数值在电池充放电过程中并不恒定,而是受到充放电倍率和电池荷电状态等因素影响不断变化,因此为提高模型精度,采用含遗忘因子的递推最小二乘方法进行模型参数的在线辨识,通过仿真分析对比不同遗忘因子的影响,确定了遗忘因子的最佳范围。实验结果表明,随着遗忘因子从1开始减小,模型的精度会先提高再减小。本模型比较合适的遗忘因子范围大致为0.90~0.95,最佳值应在0.94附近,此时模型的平均电压误差仅为0.000 43 V,证明了本文辨识方法的正确性和高精度。

基于可变遗忘因子的递推最小二乘法锁相环研究

电网电压相位角的准确获得,是变流器并网运行关键的指标之一。当三相电压出现频率、幅值或者相位突变时,传统锁相环算法往往出现相角估计不准,动态性能较差等问题。本文提出基于可变遗忘因子的递推最小二乘法锁相环算法,该方法通过对电网电压不平衡引起的相电压的角度、幅值和偏移量进行实时补偿来检测相角,实现提高系统鲁棒性和系统稳定性的目的。通过仿真和实验加以证明,结果表明该算法可以有效提高锁相环的精度和可靠性,提高系统的抗干扰能力。

鞅超收敛定理与遗忘因子最小二乘算法的收敛性分析

本文扩展了用于分析时不变系统辨识算法收敛性的鞅收敛定理（MCT），建立了鞅（martingale）超收敛定理（MHCT）．它可以作为工具来分析时变系统的各种辨识算法的收敛性，为解决时变系统收敛性和稳定性分析这一困难课题提供了新方法，开辟了新路．本文以遗忘因子最小二乘算法为例，成功地用MHCT分析了它的参数估计的收敛性．