基于扩展卡尔曼粒子滤波算法的锂电池SOC估计

锂电池荷电状态用来描述电池剩余电量的多少,进而反映电动汽车的续驶里程,是电池管理系统中的核心参数。电池循环次数、瞬间大电流以及温度等因素都会使电池特性发生变化,使用扩展卡尔曼滤波算法对电池荷电状态进行估计,会有较大的误差甚至导致算法不收敛。为了有效地抑制发散以及噪声的影响,基于锂电池混合噪声模型,应用扩展卡尔曼粒子滤波算法对锂电池荷电状态和电流漂移噪声进行同步估计。最后根据充放电试验数据进行仿真分析,结果证明了该算法的优越性。

远距离干扰环境下目标跟踪的扩展卡尔曼粒子滤波算法

该文在扩展卡尔曼粒子滤波算法的基础上融合了"负"信息(没有接收到观测值的扫描)来实现远距离干扰环境下的目标跟踪。在整个实现过程中,由传感器模型推导出的高斯和似然函数充分考虑了正负信息,直接用于计算粒子权重更新。并且通过扩展卡尔曼滤波算法产生重要性密度函数,利用当前时刻的量测,使得粒子的分布更接近其后验概率分布,而且使用较少的粒子个数即可达到较好的跟踪效果。仿真证明,扩展卡尔曼粒子滤波算法在航迹连续性和跟踪精度方面明显优于扩展卡尔曼滤波算法,但计算复杂度较高。

扩展卡尔曼粒子滤波算法的一种修正方法

针对扩展卡尔曼粒子滤波(EKF-PF)算法滤波精度较低的缺点,提出对其建议分布进行高阶修正的新算法.该算法针对非线性系统方程,基于二阶泰勒级数展开,利用高阶项对一阶扩展卡尔曼滤波(EKF)的状态估计向量及协方差阵做出适当修正,同时考虑到协方差阵计算中存在矩阵相减运算、计算误差以及参数不匹配等因素的影响,采用矩阵QR分解技术保证了协方差阵的正定性.新算法在一定程度上减小了局部线形化的截断误差,提高了建议分布的逼近程度.仿真实验表明,新算法在计算量增加不多的情况下,滤波精度有明显的提高.

仅测角卫星跟踪的扩展卡尔曼粒子滤波算法

卫星被动跟踪技术对于空间监视系统非常重要,为提高非合作跟踪模式下空间低轨卫星(LEO)的跟踪精度,提出一种基于扩展卡尔曼粒子滤波(EKPF)的仅测角卫星被动跟踪算法。首先,在卫星二体运动下,以地球惯性直角坐标系为基础,对卫星运动状态方程的二阶线性化、状态方程和测量方程的雅可比矩阵进行了详细推导。其次,利用二阶扩展卡尔曼滤波(EKF)产生粒子滤波(PF)的建议分布,并将EKPF应用到低轨卫星跟踪。最后,通过STK6.0仿真场景产生的数据对EKPF算法和扩展卡尔曼滤波算法的跟踪性能进行了对比分析和验证。仿真结果表明,该算法可以实现单颗高轨卫星通过仅测角对圆轨道的低轨卫星进行跟踪,且跟踪精度优于EKF算法。

基于双时间尺度扩展卡尔曼粒子滤波算法的电池组单体荷电状态估计

为实现对电池组单体荷电状态(SOC)的精确估算,首先对锂电池组单体建立增强自校正(ESC)模型,然后根据锂电池ESC模型建立电池组平均模型和各单体SOC差异模型,再对其用双时间尺度的扩展卡尔曼粒子滤波(EKPF)算法来估算电池组平均SOC值和各单体差异SOC值,从而得到电池组中各单体SOC值。对12节锂电池串联电池组进行SOC估算实验,结果表明,基于双时间尺度EKPF算法的电池组单体SOC估计方法可实现对单体SOC的精确估计,且该方法比双时间尺度扩展卡尔曼滤波算法和扩展卡尔曼滤波(EKF)算法具有更高的估算精度。

基于扩展卡尔曼粒子滤波算法的神经网络训练

神经网络的训练是一种非线性系统的辨识问题,基本粒子滤波算法已被成功用于训练神经网络,但基本粒子滤波算法在建议分布的选择上并没有考虑当前时刻观测值的影响,本文针对该问题提出使用扩展卡尔曼滤波器来生成建议分布。由于扩展卡尔曼滤波器在传递近似建议分布的均值和协方差的过程中充分利用了观测值信息,从而可以更好地描述神经网络权值的后验概率分布。实验结果证明,使用扩展卡尔曼滤波器作为建议分布的粒子滤波算法性能明显优于基本粒子滤波算法。

神经网络训练中的迭代扩展卡尔曼粒子滤波算法

基本粒子滤波算法已被成功用于训练神经网络,但该算法在建议分布的选择上并没有考虑当前时刻观测值的影响,针对该问题提出在神经网络训练中,使用迭代扩展卡尔曼滤波器来生成建议分布.由于迭代扩展卡尔曼滤波器在传递近似建议分布的均值和协方差的过程中,充分利用了观测值信息,从而可以更好地描述神经网络权值的后验概率分布.实验结果表明,在训练神经网络时,迭代扩展卡尔曼滤波器作为建议分布的粒子滤波算法训练性能明显优于基本粒子滤波算法及扩展卡尔曼粒子滤波算法(EKPF).

基于人工鱼群优化的扩展卡尔曼粒子滤波算法

针对扩展卡尔曼粒子滤波算法中由于粒子退化和贫化而导致的滤波精度降低问题,提出了一种人工鱼群优化的扩展卡尔曼粒子滤波算法。通过人工鱼群优化算法中的觅食和聚群行为,对采样过程进行优化,使得粒子不断地朝高似然域移动来寻找最优位置,从而改善样本分布,加速样本集的收敛,缓解了退化现象;然后对重采样过程进行优化,以提升样本的多样性,从而克服了粒子样本贫化问题。实验结果表明,改进后算法提高了对系统状态的预估精度,更适合在对精度要求高的系统中进行滤波计算。

一种粒子群优化扩展卡尔曼粒子滤波算法

本文提出一种采用粒子群(PSO)优化扩展卡尔曼粒子滤波(EPF)的新算法.由于上一时刻的目标解对当前时刻目标的影响最大,提出粒子群中的粒子不考虑其自身最佳经历和群体最佳经历,而只考虑前一时刻的全局最优解;取上一时刻的目标解代表粒子集中全局最优解.采用粒子群优化扩展卡尔曼粒子滤波(EPF)的状态转移方程,使得粒子集在权值更新前趋向于高似然区域,从而更加逼近真实状态的后验概率密度分布,克服了粒子退化问题,提高了预估精度,并极大地降低了所需的粒子数.仿真实验结果表明,该算法预估性能优于传统的粒子滤波方法.

扩展卡尔曼滤波的改进蛇定位算法在WSN中的应用

针对接收信号强度指示(Received Signal Strength Index,RSSI)定位易受到环境因素的影响,提出了一种基于RSSI扩展卡尔曼滤波的改进蛇定位算法(RSSI Extended Kalman Filter-based Improved Snake Optimization Localization Algorithm,RSSI-EISL)。该算法利用扩展卡尔曼滤波(Extended Kalman Filter,EKF)模型对RSSI信号值进行平滑处理,使其能够抑制噪声和异常值对估计结果的影响,从而提高测距的准确性和鲁棒性。通过引入Levy飞行和非线性收敛因子的改进蛇优化算法(Improved Snake Optimization Algorithm,ISO),提升了蛇优化算法(Snake Optimization Algorithm,SO)的寻优能力,使之能够更加准确地计算出待测节点的坐标。根据仿真结果显示,相较于基于RSSI最小二乘定位算法(RSSI Ordinary Least Squares Localization Algorithm,ROL)、基于RSSI EKF的灰狼定位算法(RSSI Extended Kalman Filter-based Grey Wolf Optimization Algorithm,REGL)和基于RSSI EKF的蛇定位算法(RSSI EKF-based Snake Optimization Localization Algorithm,RESL),RSSI-EISL的定位精度分别提高了26.4%、8.75%和5.6%,算法的收敛速度和全局搜索能力也有所提升。

基于多时间尺度双扩展卡尔曼滤波的电池峰值功率估计方法

动力电池是电动汽车的技术瓶颈,其状态的高精度估计一直是行业的技术难点,不准确的状态估计值易造成安全隐患,并加速动力电池系统老化。然而,动力电池每用必衰、时变非线性、环境敏感性等特点导致对其状态的实时精准估计极具挑战性。该文针对锂离子动力电池峰值功率估计的问题,提出基于多时间尺度滑动窗口的双扩展卡尔曼滤波(DEKF)算法,基于峰值功率测试结果更新模型参数库,实现了参数的缓时变估计。评价指标显示,动力电池全寿命、全电量区间内,变温度等条件下的验证结果表明所提算法能够准确估计电池参数和功率状态,电压误差小于40 mV。

分数阶扩展卡尔曼滤波算法的锂电池SOC估算

由于锂离子电池的SOC(state of charge)不能直接被测得,目前只能通过电池外部输出特性对其进行估算。以磷酸铁锂电池为研究对象,考虑到电池各种复杂的非线性特征,分析了电池的电化学阻抗特性,采用恒相位元件(CPE)对传统的等效电路模型进行改进,建立了分数阶(fractional order)等效电路模型;联合遗传算法和混合脉冲动力试验对分数阶等效电路模型的参数进行离线识别;基于扩展卡尔曼滤波算法,建立了分数阶扩展卡尔曼滤波算法(fractional order extended Kalman Filter)的锂电池SOC估算模型;根据动态应力试验DST(dynamic stress test)工况设计制定了锂电池充放电方案,在环境温度25℃条件下,实时采集电池电流及电压数据,将采集所得数据输入到Matlab建立的模型中,对目标电池进行SOC估算。仿真结果表明:与二阶戴维南电路模型SOC仿真结果相比,基于FEKF算法的SOC估算结果具有更高的精度且波动性更小,误差均小于0.72%,均方根误差仅为0.24%。

基于扩展卡尔曼滤波算法的磷酸铁锂电池荷电状态估计

电池的荷电状态(SoC,state of charge)是锂离子电池最基本的参数之一,不能直接测量得到。本文基于二阶Thevenin模型对磷酸铁锂电池进行建模分析,通过混合脉冲功率特性(HPPC,hybrid pulse power characteristic)实验对不同SoC处的模型参数进行识别。基于MATLAB/Simulink平台,搭建了变参数二阶Thevenin模型与扩展卡尔曼滤波(EKF,extended Kalman filter)算法相结合的估算系统。仿真结果表明,估算系统在不同工况下的仿真误差不超过2.5%,为锂离子电池管理系统的搭建提供了支持。

基于改进的粒子群优化扩展卡尔曼滤波算法的锂电池模型参数辨识与荷电状态估计

为解决锂电池荷电状态(SOC)难以精确估计的问题,提出了基于改进的粒子群优化扩展卡尔曼滤波(IPSO-EKF)算法预测电池SOC。为减小参数非线性特性影响,重新构建了EKF算法电池状态空间方程,以辨识出的电池模型参数为基础,获得SOC最优估计。采用IPSO算法优化EKF算法噪声方差矩阵,解决系统状态误差协方差矩阵和测量噪声协方差矩阵最优解获取难题,进一步提高SOC的估计精度。计算结果表明:IPSO-EKF算法能够精确地辨识电池模型参数和SOC值,并能够很好地修正状态变量初始误差。

改进粒子群算法优化扩展卡尔曼滤波器电机转速估计

针对感应电机扩展卡尔曼滤波器转速估计中难以取得卡尔曼滤波器系统噪声矩阵和测量噪声矩阵最优值的问题,提出了一种基于改进粒子群算法优化的扩展卡尔曼滤波器转速估计方法。算法通过融合遗传算法和粒子群算法的优点,采用可调整的算法模型对粒子群算法进行改进,将改进的粒子群算法对扩展卡尔曼滤波器中的系统噪声矩阵和测量噪声矩阵进行优化处理,将优化后的卡尔曼滤波器应用于感应电机转速估计。仿真实验表明,与试探法、标准粒子群算法及遗传算法比较,改进粒子群算法优化的扩展卡尔曼滤波器能够有效提高转速估计的精度,从而提高无速度传感器矢量控制系统的控制性能。

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。

IMM迭代扩展卡尔曼粒子滤波跟踪算法

该文提出了一种交互式多模型(IMM)迭代扩展卡尔曼粒子滤波机动目标跟踪算法。该算法在多模型中使用了改进的粒子滤波器,通过对迭代扩展卡尔曼滤波(IEKF)的测量更新按照高斯牛顿方法进行修正,减小了非线性滤波带来的线性化误差,然后利用修正的IEKF来产生粒子滤波的重要性密度函数,使其融入最新观测信息。最后将所提算法与交互式多模型粒子滤波(IMMPF)进行了比较,仿真结果表明该算法具有更好的跟踪性能。

基于量子粒子群优化和扩展卡尔曼滤波的相量测量算法

电力系统中的信号往往含有各种噪声、谐波、间谐波的干扰,严重影响了相量测量的精度。对此,在复数扩展卡尔曼滤波(ECKF)的基础上,运用改进的量子粒子群优化(IQPSO)算法改进滤波迭代过程中的量测噪声协方差矩阵和模型噪声协方差矩阵,并测量电力信号的幅值、频率和相角。对各种非平稳正弦信号的仿真结果表明,相较修正的复数扩展卡尔曼滤波(RECKF)算法,IQPSO-ECKF算法提高了复数扩展卡尔曼滤波的相量测量精度和收敛速度。研究成果丰富了电力系统信号测量的内容。

基于扩展卡尔曼滤波算法的港口智能无人内集卡状态估计研究

为了保证港口智能无人内集卡行驶安全和作业效率,使用Trucksim软件模拟货车的运行条件,同时采用Simulink软件建立魔术轮胎模型并设计扩展卡尔曼滤波算法,对智能无人内集卡的纵向车速、横摆角速度和质心侧偏角进行估计。在典型工况下对比实际输出参数与估计参数,结果验证了算法的准确性与实时性,可为智能无人内集卡行驶状态参数估计研究提供技术指导。

基于鲁棒扩展卡尔曼粒子滤波的RAIM算法

针对基于粒子滤波的接收机自主完好性监测(receiver autonomous integrity monitoring,RAIM)算法中普遍存在粒子退化和采样枯竭问题,提出基于鲁棒扩展卡尔曼粒子滤波(robust extended Kalman particle filter,REKPF)的RAIM算法。该算法利用扩展卡尔曼滤波计算粒子的建议密度函数,引导重采样做出更加准确的采样分布;同时,为了减小伪距偏差对滤波估计的影响,利用抗差估计对卡尔曼增益矩阵进行修正。通过实测数据构建卫星故障检测的检验统计量,对各状态的累加对数似然比进行一致性检测。仿真结果表明,当存在伪距偏差时,基于REKPF的RAIM算法能够有效诊断故障星,缩短告警延迟时间,提高定位精度,算法性能更好。