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。

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。

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。

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。

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。

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。

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。

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。

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 .

推广的遗忘因子递推最小二乘算法在GPS中的应用

作者将推广的遗忘因子递推最小二乘算法应用到GPS以确定动态目标的轨迹 ,并与推广的Kalman滤波进行比较 ,发现两种算法在GPS中具有各自的优点 ,当噪声相关性较大又不能准确地得到其方差时 。

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。

基于动态遗忘因子递推最小二乘算法的船舶航向模型辨识

为提高遗忘因子递推最小二乘(RLS)算法辨识船舶航向运动数学模型参数的快速性和鲁棒性,在分析遗忘因子大小对算法特性影响的基础上,提出一种基于模糊控制的动态遗忘因子RLS算法。该算法从理论模型输出与实际模型输出之间的残差入手来构造评估参数辨识误差大小的评价函数,并将评价函数及其变化率作为模糊控制器的输入,利用模糊控制器结合制定的规则表进行模糊推理并计算遗忘因子的修正量,从而实现遗忘因子的动态调整。仿真结果表明,与恒定遗忘因子RLS算法的对比,该算法能够根据参数辨识误差实时调整遗忘因子的大小,使算法在模型参数平稳时有更高的辨识精度,在模型参数突变时有更快的收敛速度,验证了所提算法的优越性。

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的SPMSM稳态多参数辨识

在矢量控制基础上,应用遗忘因子能够递推最小二乘(FFRLS)系统辨识算法,本文提出一种关于面装式永磁同步电机(SPMSM)的稳态多参数辨识新方法。新方法可以同时辨识SPMSM的电阻、电感和永磁磁链3个电机参数。在Simulink环境下对新方法进行仿真,仿真结果验证了新方法的准确性,显示新方法的辨识精度高。

基于递推阻尼最小二乘法的电力系统频率跟踪

最小二乘法是一种广泛的系统辨识和参数辨识方法,适于离线辨识,在线辨识参数时有其局限性。基于传统的最小二乘法,提出一种带有遗忘因子的有限数据窗口和自适应阻尼因子的递推阻尼最小二乘参数辨识算法。针对电力系统信号为理想信号、含有谐波及噪声和电力系统频率瞬间发生跳变的情况,分别做了仿真。仿真结果验证了该方法的鲁棒性、快速性和准确性,且算法效果优于其他方法。

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．