基于联合参数辨识的粒子群优化扩展粒子滤波的锂电池荷电状态估计

提高参数辨识的精度和SOC算法的精度是提高SOC估计的关键,该文提出了基于联合参数辨识的粒子群优化扩展粒子滤波的荷电状态(SOC)估计方法。在参数辨识阶段,结合遗忘因子递推最小二乘法在线辨识的优势,弥补粒子群辨识精度高但前期缺乏数据无法实时辨识的劣势,联合进行参数辨识;在SOC估计阶段,利用扩展卡尔曼滤波生成重要性密度函数,去克服粒子退化,同时采用粒子群优化算法优化重采样策略改进采样过程缓解粒子贫化。最后在联邦城市运行(FUDS)和US06高速公路运行(US06)工况下将所提算法与F-PF、F-PSO-PF、FPSO-PSO-PF进行了对比,结果表明,在FUDS工况下,方均根误差分别提高了65.4%、56.3%和43.5%;在US06工况下,方均根误差分别提高了45.8%、35.9%和35.1%,验证了所提算法具有较好的适应性和鲁棒性。

基于扩展H_∞粒子滤波算法的视觉伺服雅可比矩阵在线辨识

为提高图像雅可比矩阵在线辨识精度,进而提高机器人轨迹跟踪的准确性,研究了基于图像的机器人视觉伺服系统中雅可比矩阵在线辨识方法。在非高斯环境下以机械手跟踪运动为应用实例,采用一种扩展H_∞粒子滤波算法对图像雅可比矩阵进行在线辨识,并且与卡尔曼滤波算法进行对比实验研究。实验结果表明,扩展H_∞粒子滤波算法具有较高的辨识精度和较强的鲁棒性,机器人轨迹跟踪精度得到提高,而且耗时较短,验证了扩展H_∞粒子滤波算法的有效性。

基于改进PF算法的锈蚀RC结构抗弯承载力预测方法

为提高锈蚀钢筋混凝土(RC)结构抗弯承载力评估精度,该文综合考虑锈蚀RC结构几何尺寸、钢筋截面积及力学性能、混凝土强度、粘结性能等因素,提出了基于改进粒子滤波(PF)算法的抗弯承载力模型参数更新及预测方法。通过生成大量的粒子以表征承载力退化过程中模型参数的不确定性,从选择不同建议密度函数的角度改进PF算法以解决传统PF算法中粒子退化的问题,分别采用PF、扩展粒子滤波(EPF)、无迹粒子滤波(UPF)算法对模型参数进行估计与更新,实现了锈蚀RC结构抗弯承载力的有效预测。结果表明:随着钢筋锈蚀率的增加,RC结构的抗弯承载力逐渐降低。基于改进PF算法的锈蚀RC结构抗弯承载力预测方法因考虑了模型参数更新使得预测结果更接近试验数据。基于EKF和UKF的改进PF算法可有效抑制粒子退化,其预测精度较PF算法更高;锈蚀RC结构抗弯承载力预测精度随着训练数据及粒子数的增加而提高。

基于扩展H_∞粒子滤波算法的动力电池寿命预测方法

动力电池的性能随着使用会出现不可避免的老化,直接影响着电动汽车的性能和使用。在动力电池使用过程中对其进行剩余寿命的预测,可以确定动力电池的最佳维修和更换时机,进而有效延长动力电池寿命,增加电动汽车的续驶里程。因此,采用扩展H_∞粒子滤波算法进行动力电池的剩余寿命预测。进行锂离子动力电池循环老化试验,获取其全寿命周期的容量衰减数据。采用双指数拟合的方法建立电池容量衰减模型,并验证其准确性。将模型参数作为状态量,采用扩展H_∞粒子滤波算法对模型参数进行实时估计与更新,获得剩余循环次数以及预测结果的可信度。仿真结果表明,基于扩展H_∞粒子滤波算法得到的动力电池剩余寿命预测结果与基于粒子滤波得到的预测结果相比更加精确。

基于AEKPF算法对锂离子电池SOC与SOH的联合估计

为了提高锂离子电池SOC(state of charge)和SOH(state of health)的估计精度,采用自适应扩展卡尔曼粒子滤波(adaptive extended Kalman particle filter,AEKPF)算法估算SOC和SOH,该算法通过修正噪声可以解决运用EKF(extended Kalman filter)算法时的噪声误差累积问题,并且AEKF(adaptive extended Kalman filter)算法作为PF(particle filter)算法的建议分布用来实时更新粒子,可以改善单独采用PF算法时的粒子退化问题.为了提高SOC的估计精度,提出考虑电池的劣化特征,联合SOH实现对SOC的修正估计.在Matlab环境下的仿真结果表明:AEKPF算法与AEKF算法相比,可以得到更加准确的SOC和SOH估计值,而且AEKPF算法联合SOH可以有效提高SOC的估计精度,仿真绝对误差不超过±1%.

锂电池能量状态与功率状态的联合估计

锂电池精确的能量状态(SOE)和持续峰值功率状态(SOP)对于电动汽车的稳定运行特别重要,对此提出一种锂电池SOE与持续峰值SOP的联合估计方法。首先,基于二阶RC等效电路模型采用了扩展卡尔曼粒子滤波算法(EPF)来估计SOE。其次,结合SOE的估计结果,在端电压、SOE和电池自身设计的多约束条件下对持续峰值SOP进行联合估计。最后,在动态应力工况对联合估计算法进行了Matlab仿真测试验证。测试结果表明了所提出的联合估计算法对于SOE和持续峰值SOP联合估计的有效性,并且具有较高的估计精度和较好的鲁棒性。

A GPS/BDS dual-mode positioning algorithm for a train based on CIPSO_EKF

When using global positioning system/BeiDou navigation satellite(GPS/BDS)dual-mode navigation system to locate a train,Kalman filter that is used to calculate train position has to be adjusted according to the features of the dual-mode observation.Due to multipath effect,positioning accuracy of present Kalman filter algorithm is really low.To solve this problem,a chaotic immune-vaccine particle swarm optimization_extended Kalman filter(CIPSO_EKF)algorithm is proposed to improve the output accuracy of the Kalman filter.By chaotic mapping and immunization,the particle swarm algorithm is first optimized,and then the optimized particle swarm algorithm is used to optimize the observation error covariance matrix.The optimal parameters are provided to the EKF,which can effectively reduce the impact of the observation value oscillation caused by multipath effect on positioning accuracy.At the same time,the train positioning results of EKF and CIPSO_EKF algorithms are compared.The eastward position errors and velocity errors show that CIPSO_EKF algorithm has faster convergence speed and higher real-time performance,which can effectively suppress interference and improve positioning accuracy.