基于多新息扩展卡尔曼滤波的锂离子电池SOC估计

锂电池具有高能量密度、循环寿命长等优点而被广泛应用于电动汽车动力装置,但车辆运行状况复杂多变,且电池内部呈现高度非线性的性质,导致电池荷电状态(state of charge, SOC)难以准确计算。为优化锂电池SOC估计精度,构建结合Warburg元件的分数阶二阶RC模型,采用自适应遗传算法进行参数辨识;融合多新息理论和扩展卡尔曼滤波算法,提出基于多新息扩展卡尔曼滤波(multi innovation extended Kalman filter, MIEKF)的锂离子电池SOC估计算法,并利用试验数据验证该方法的有效性,为提高SOC估计精度和车载锂电池的循环使用寿命提供了新的方法途径和实践支撑。

基于扩展卡尔曼的线控转向系统转角传感器故障诊断

车轮转向角度传感器是汽车动力系统中重要的器件之一,其可靠性直接影响车辆的安全。针对线控转向系统转角传感器的可靠性问题,首先,分析线控转向系统的结构特点,建立三自由度的非线性车辆模型,以及传感器故障种类模型;其次,基于扩展卡尔曼滤波(extended Kalman filter,EKF)算法,利用传感器输入的转角信息,通过车辆模型估计出汽车状态,例如横摆角速度、质心侧偏角等,再与汽车状态传感器测得的实际值生成残差,构建故障诊断向量并提出诊断策略来实现转角传感器的故障诊断;最后,搭建Carsim/Simulink仿真平台进行联合仿真。结果表明该算法可以准确地识别出转角传感器发生的故障。

一种改进扩展卡尔曼滤波新方法

针对现有的迭代扩展卡尔曼滤波(EIEKF)跟踪时估计精度较低这一不足,提出了一种改进扩展卡尔曼滤波(NIEKF)新方法。本文将迭代滤波理论引入到扩展卡尔曼滤波方法中,重复利用观测信息,采用经典的非线性非高斯模型进行仿真实验,给出了该方法与扩展卡尔曼滤波(EKF)、Unscented卡尔曼滤波(UKF)、现有的迭代扩展卡尔曼滤波(EIEKF)的仿真结果,并分析了其跟踪性能和均方根误差。实验结果表明,改进扩展卡尔曼滤波(NIEKF)新方法具有更高的估计精度。

水下无源目标运动分析的修正扩展卡尔曼滤波方法

以水下已知固定深度的三维情形为例,用修正的扩展卡尔曼滤波（EKF）方法探讨了无源目标运动分析（以下简称TMA）问题。首先以无源声呐对目标的方位角、俯仰角和频率测量为依据,建立动态系统模型。然后,从非线性的测量方程入手,对新息以伪线性的处理,推导出一组修正的EKF递推方程组。文中为增加滤波器的稳定性,采取批数据处理的手段,而使滤波效果更加平稳。计算机仿真结果表明:修正的EKF方法所得的误差曲线收敛较好,且误差较小,能有效地提高水下无源TMA问题中的参数估计精度。

基于深度强化学习与扩展卡尔曼滤波相结合的交通信号灯配时方法

深度Q学习网络(DQN)因具有强大的感知能力和决策能力而成为解决交通信号灯配时问题的有效方法,然而外部环境扰动和内部参数波动等原因导致的参数不确定性问题限制了其在交通信号灯配时系统领域的进一步发展。基于此,提出了一种DQN与扩展卡尔曼滤波(EKF)相结合(DQN-EKF)的交通信号灯配时方法。以估计网络的不确定性参数值作为状态变量,包含不确定性参数的目标网络值作为观测变量,结合过程噪声、包含不确定性参数的估计网络值和系统观测噪声构造EKF系统方程,通过EKF的迭代更新求解,得到DQN模型中的最优真实参数估计值,解决DQN模型中的参数不确定性问题。实验结果表明:DQN-EKF配时方法适用于不同的交通环境,并能够有效提高车辆的通行效率。

基于改进扩展卡尔曼粒子滤波的目标跟踪算法

针对扩展卡尔曼粒子滤波算法滤波精度较低和粒子退化的问题,将马尔可夫链蒙特卡罗(MCMC)方法与扩展卡尔曼粒子滤波相结合,应用于目标跟踪。该算法利用扩展卡尔曼滤波来构造粒子滤波的建议分布函数,使建议分布函数能够融入最新的观测信息,以便得到更符合真实状态的后验概率分布;同时引入MCMC方法对所选的建议分布进行优化处理,使抽样粒子更加多样性。仿真结果表明,该算法能有效地解决粒子贫化问题并提高滤波精度。

基于扩展卡尔曼滤波的蓄电池组SOC估算

随着能源的不断减少和环境破坏加重,风光互补发电系统得到了广泛关注,其中蓄电池组是整个系统中最受关注的一个组成部分。准确有效地估算蓄电池组的荷电状态(SOC),不仅可以保证资源的合理利用、减少成本,还能保证系统的安全可靠运行。由于蓄电池的正常运行具有很强的非线性,选用通用非线性等效电路模型,充分考虑了充放电倍率和环境温度,利用傅里叶函数对模型参数进行有效拟合,结合传统安时积分法,运用扩展卡尔曼滤波算法(EKF)对蓄电池组的SOC进行动态估算,通过MATLAB软件进行仿真验证,结果表明,文中选择的扩展卡尔曼滤波算法可以对蓄电池组SOC进行有效跟踪,并控制跟踪误差低于1%。

基于线性内插的扩展卡尔曼滤波法的NDVI时间序列重构研究

由于归一化植被指数(NDVI)时间序列数据含有大量的噪声,对其应用带来诸多不便。为了提高NDVI数据质量,本文采用线性内插的扩展卡尔曼滤波(EKF)法对广州市森林地区的NDVI时间序列数据进行了重构,并与EKF和中值滤波方法进行比较。利用部分样点的实测数据与重构后的NDVI值进行比较,得到基于线性内插的EKF、EKF和中值滤波三种方法的相对误差分别在-1.91%~0.93%,-3.86%~5.85%和-0.28%~16.30%之间。结果表明:基于线性内插的EKF算法的时间序列重构方法重构后的NDVI时间序列能够更好的逼近高质量的数据,拟合原始曲线的波峰,在提升曲线的整体效果的同时,降低原始数据的均值偏差和数据的离散程度,对低值噪声的抑制能力更好。通过该重构方法重构后的较高质量的NDVI时间序列数据为森林监测、生态保护以及建设提供了良好的基础。

扩展卡尔曼滤波在地磁导航中的应用分析

研究基于地磁场的自主导航,建立以卫星轨道动力学方程为基础的系统状态方程,并详细推导以地磁场大小和地磁场矢量为观测量时的观测方程,通过引入EKF解决系统的非线性问题。最后,用matlab对地磁导航系统进行仿真,仿真结果表明EKF有很好的收敛性和稳定性,以地磁场矢量为观测量的导航精度要远高于以地磁场大小为观测量的导航精度,初值误差对导航精度影响很大。

基于最大相关熵的雷达扩展卡尔曼滤波算法研究

雷达系统中跟踪滤波器的设计通常依赖于线性高斯系统。一旦系统为非线性且受到非高斯噪声干扰时,雷达跟踪性能便出现严重恶化。为了提高目标在非线性非高斯环境下跟踪的精度,将最大相关熵扩展卡尔曼滤波(MCEKF)算法应用到雷达跟踪系统中。该算法使用最大相关熵(MCC)而非传统的最小均方误差(MMSE)作为优化准则,具有较强的定位精度以及鲁棒性。最后通过仿真实验与传统扩展卡尔曼滤波(EKF)算法进行了性能比较,结果表明:最大相关熵扩展卡尔曼滤波(MCEKF)算法精度高于(EKF)算法。

基于扩展卡尔曼滤波的锂离子电池SOC估计

基于一阶等效电路模型,采用扩展卡尔曼滤波方法对锂离子电池SOC进行估计,并通过MATLAB搭建仿真实验,验证扩展卡尔曼滤波估算算法的有效性。结果表明,扩展卡尔曼滤波可以有效地跟踪锂离子电池SOC的变化,且具有较高的精确性。

基于扩展卡尔曼滤波的低压配电网漏电流监测

针对传统低压配电网漏电流监测方法中存在的监测误差较大且监测耗时较长等问题,提出基于扩展卡尔曼滤波的低压配电网漏电流监测方法。采用小波变换方法提取漏电流低频信息,将小波变换离散化处理,降低提取特征的冗余程度,完成低压配电网漏电流高频特征提取;采用一阶泰勒展开式扩展卡尔曼滤波技术,将其转变为线性空间方程,引入前馈控制概念,将低压配电网漏电流中的干扰信号进行抑制,获取低压配电网漏电流的离散空间状态,实现低压配电网漏电流的监测。

基于EKF的电网运行状态自动预测方法

为加快预测速度,提出基于扩展卡尔曼滤波(Extended Kalman Filter,EKF)的电网运行状态自动预测方法。首先,采集电网的运行数据,利用电场感应原理对电网中的电流信号进行接收和转换;其次,基于卡尔曼滤波检测电网谐波,全方位监控电网谐波环路;最后,进行实验分析。实验结果表明,该方法的预测时间优于对照组,可以有效地预测电网的异常状态和故障风险。

基于EKF-GRU的车辆轨迹预测

为提升行车安全,实现自动驾驶车辆正确的决策规划,提出基于扩展卡尔曼滤波(EKF)-门控循环单元(GRU)的车辆轨迹预测方法,结合学习方法与物理模型,在提升预测精度的同时,提高轨迹预测的合理性。首先,基于GRU构建预测网络,通过提取车辆的历史轨迹特征预测车辆的纵向加速度及横摆角速度;其次,基于车辆非线性运动学构建EKF状态估计器,结合观测值生成车辆未来有限时域的行驶轨迹;最后,在高速公路多车轨迹数据集NGSIM I-80和US-101上进行轨迹预测方法验证。结果表明:采用传统的物理模型生成预测轨迹,其最终距离误差(FDE)、均方根误差(RMSE)、平均距离误差(ADE)值分别为6.48、7.69和3.03 m。相比之下,利用EKF-GRU生成的预测轨迹表现出更高的准确性,对应的数值分别为5.45、6.67和2.56 m,分别提升15.90%、13.26%和15.51%。

结合EKF与LSTM神经网络的授时/守时算法

本文研究了一种在卫星授时下,提高授时信号的授时精度和守时能力方法,即利用晶振计数器,记录下每个秒脉冲时刻的晶振频率信息;将记录历史信息输入到扩展卡尔曼滤波器(extended Kalman filter,EKF)中进行滤波,消除卫星秒脉冲信号的随机误差,提取北斗卫星前N秒秒脉冲的累计时间t_(CN)、k时刻的晶振频率fre(k)、k时刻晶振变化速率v(k);并将经过EKF输出的历史数据作为训练集,输入到长短期记忆(long short-term memory,LSTM)神经网络中建立预测模型;通过控制变量法进行算法参数调试,找到最适合的预测模型.试验结果表明:授时算法输出的授时信号精度最大误差为34 ns;授时算法8 h累计误差为1.001μs,平均误差小于0.125μs/h.有效地提高了系统授时和守时精度.

车载DR导航的非线性滤波方法研究

针对扩展卡尔曼滤波方法(EKF)用于车载DR导航系统滤波中存在的一些缺点,将一种新的滤波方法—UKF滤波方法用于车载DR导航系统的非线性状态估计中。该滤波方法与EKF方法相比具有容易实现和滤波精度高的特点。通过非线性状态估计UKF方法大大提高了导航系统的精度。为了检验其有效性,将这两种方法分别对车载DR导航系统进行滤波仿真,仿真结果进一步表明UKF方法优于EKF方法,是一种理想的车载DR导航非线性滤波方法。

一种基于EKF技术的天线罩瞄准误差补偿方法

提出了一种用控制方法解决天线罩误差斜率影响的补偿方案,降低了设计导弹导引控制器的时间常数,提高了导弹机动性能。首先,对天线罩斜率严重影响导弹稳定性这一关键问题做了分析,指出其影响方式的本质所在;然后,通过定量分析导引头输出与天线罩斜率、姿态角之间的耦合关系,提出了补偿途径;最后,应用扩展卡尔曼滤波方法估计天线罩斜率并用所提补偿方案进行了数学仿真。仿真结果表明所提方案明显改善了导弹的稳定性和制导精度。

免微分非线性Bayesian滤波方法评述

以非线性递推Bayesian滤波问题的求解及其历史渊源为起点,分两类对各种免微分非线性Bayesian滤波方法或免微分方法的原理和算法进行了评述:一类是以线性最小均方误差最优估计子为特点的免微分高斯滤波,包括无味卡尔曼滤波、均差滤波器、中心差分滤波器和Gauss-Hermite滤波器或积分卡尔曼滤波器;另一类是后验密度数值逼近免微分方法,包括栅格法(GBMs)与近似栅格法、矩近似法和以粒子滤波为代表的Monte Carlo方法。其中还包括了作者的一些最新研究成果,如迭代UKF算法、裂变自举PF算法和关于粒子滤波算法有限收敛界的概念等。之后从加权统计线性回归的角度对两类免微分方法进行了统一认识,统一为以数值方法为特点的广义PF。为了建立一个关于各种免微分算法性能的整体印象,论文还通过一个复杂的递推非线性滤波估计例子,用MonteCarlo仿真实验的方法对7种典型的免微分方法和和传统的EKF算法进行了比较研究。最后对两类免微分方法进行了简单的比较,并指出了进一步研究的方向。

大失准角下SINS的KF/EKF2混合滤波对准

针对捷联惯导系统(SINS)大失准角下滤波对准过程中非线性滤波器状态维数过大的问题,提出了一种基于模型分解的卡尔曼滤波/二阶扩展卡尔曼滤波(KF/EKF2)混合滤波方法,将基于欧拉平台误差角的非线性滤波模型分解为线性部分和非线性部分,分别采用线性KF滤波和非线性EKF2滤波处理,并且设计了混合滤波的滤波步骤。实验结果表明,KF/EKF2混合滤波算法在计算量、实时性及精度等方面优于最常用的无迹卡尔曼滤波(UKF)和EKF2滤波。

基于开路电压法与卡尔曼滤波法相结合的锂离子电池SOC估算

鉴于卡尔曼滤波法中电池荷电状态(state of charge,SOC)的初始值一般根据开路电压法确定,传统开路电压法是通过测量电池开路电压,由电池开路电压与电池荷电状态之间的关系曲线得到电池SOC,耗时较长.本文在此基础上提出一种新的办法,通过对电池放电曲线及恢复曲线分析,结合电池等效模型,拟合出开路电压的计算公式.用放电停止后的某时刻电压估计电池的开路电压.不但解决了SOC估算中开路电压法用时长的问题,而且提高了开路电压值的准确性,进而提高了SOC估算精度.再以戴维宁模型为基础,通过电池测试平台辨识电池模型参数,并验证其可靠性,采用扩展卡尔曼滤波算法实现了对电池荷电状态的估算,状态参数SOC估算初始值由改进后的开路电压法估算出的SOC值确定.结果表明该方法解决了初始值的偏差导致的估算初期误差较大问题,提高了整体的估算精度.