基于状态空间神经网络和扩展卡尔曼滤波的主动交通感应控制(英文)

为改善方案选择式交通感应控制输出的交通信号配时方案滞后于实时交通状态的缺点,提出用状态空间神经网络和扩展卡尔曼滤波模型预测未来交通状态的优化配时方案.采用能反映道路网络几何特征的状态空间神经网络拓扑结构,结合当前时段和前一时段的路段交通状态,预测下一时段交通状况并选择与其相匹配的信号配时方案;应用扩展卡尔曼滤波训练状态空间神经网络,提高其训练效率及精度.选用南京市广州路的实测交通数据和由多目标遗传算法得出的最优信号控制方案验证模型的有效性.研究结果表明,与BP神经网络和状态空间神经网络相比,所提出的模型能够根据道路状况选择合适的交通控制方案.

基于二阶近似扩展卡尔曼滤波的锂离子电池SOC估计

为提高电池荷电状态(SOC)估计的准确性,更高阶的扩展卡尔曼滤波(EKF)算法被用来估计SOC值。首先建立锂离子电池一阶Thevenin等效电路模型,采用样条函数来表述开路电压(OCV)和SOC值的函数关系。为更加精确地识别等效电路模型参数,提出一种新的带有可变遗忘因子最小二乘法(VFFRLS)的算法来在线识别模型参数。由于VFFRLS解的精度依赖于算法初始值的设定,为此采用改进粒子群算法求得模型初始参数值,进而得到更加精确的VFFRLS初始值。最后采用二阶EKF来估计电池的SOC值,以此提高估计精度。两组不同的数据集用来证明二阶EKF估计SOC值具有普适性。实验结果表明,二阶EKF在估计不同工况条件下的SOC值时,平均绝对误差(MAE)都保持在1%以内,由此证明了所提方法的有效性。

一种变换状态空间的稳定卡尔曼滤波算法

该文在分析了扩展卡尔曼滤波中两种线性化误差的产生原因及其对滤波影响的基础上,针对线性状态方程和非线性观测方程这一类系统,提出了采用一组新的状态量代替原来的状态量,使得观测方程为线性方程,从而避免了因为观测方程线性化导致的观测空间和状态空间的映射关系改变,提高了扩展卡尔曼滤波的稳定性和状态估计的精度。通过一个无源定位与跟踪的计算机仿真试验验证了这种方法的优点。

基于自适应扩展卡尔曼滤波法的储能电池荷电状态估计研究

荷电状态估计是储能电池管理的一项重要指标。目前工程上广泛使用的安时积分法虽然简单,但是存在诸多局限性。为了提高电量估算的精度和速度,同时考虑实际应用需求,针对储能电池开展了基于自适应扩展卡尔曼滤波(AEKF)法的荷电状态估计研究,以二阶Thevenin等效电路模型为基础,列写状态空间表达式,建立滤波器模型并根据实际情况对算法进行适当改进。仿真实验通过对比扩展卡尔曼滤波(EKF)法和AEKF方法,证实了AEKF方法的优越性。

基于约束渐进扩展卡尔曼滤波的船舶电场跟踪定位方法

为了利用船舶静电场实现对目标的跟踪、定位,首先分析了目标船舶的运动特征,建立了其状态空间模型;然后,利用点电源阵列建立了船舶等效源模型,并推导出船舶跟踪的观测方程;最后,根据物理模型,对状态估计量施加了线性约束,从而使其符合物理实际。仿真结果表明:该方法可以对船舶目标进行有效的跟踪定位,具有较好的应用价值。

扩展卡尔曼滤波在Hg-CEMS中的信号处理研究

目前,燃煤电厂烟气汞连续监测系统(Hg-CEMS)主要采用冷蒸气原子荧光光谱法(CVAFS)来测定烟气中不同形态汞浓度。针对Hg-CEMS中汞分析仪在检测汞浓度过程中输出的电压峰信号,提出了一种分段多项式拟合(PPF)算法,建立了相应的数学模型和状态空间方程,并采用扩展卡尔曼滤波(EKF)算法对含噪电压峰信号进行了滤波处理。仿真结果表明:PPF模型的拟合效果优于常规经验模型;基于该模型的扩展卡尔曼滤波效果显著,对汞分析仪中电压信号的其他峰型有较强的适应性。该信号处理方法不依赖于系统机理模型,自适应好、滤波精度高,对研制适应我国燃煤电厂特点、价格低廉、测量精度高和具有我国独立知识产权的汞形态/浓度在线监测仪器具有重要的借鉴意义。

船舶静态电场跟踪的渐进更新扩展卡尔曼滤波器

为了实现利用船舶静态电场对船舶进行跟踪的目的,针对传统卡尔曼滤波算法中存在的问题,设计一种新的非线性滤波器。建立船舶的状态空间模型,分析传统卡尔曼滤波算法在船舶跟踪中存在的问题;依据渐进贝叶斯思想,利用连续白噪声与离散白噪声序列噪声协方差之间的关系,设计一种新的渐进更新扩展卡尔曼滤波器。仿真结果表明,该滤波器能有效地抑制由于初始误差较大而造成的滤波性能下降和滤波发散,能够有效地跟踪船舶,具有较高的实用价值。

动态传输下基于改进卡尔曼滤波的电力计量计费数据状态估计

电力计量计费数据是电力营销业务公平公正实施的重要基础,具有数量总量大、通信方式多样等特点。为更加合理地利用通信资源并提升数据的可靠性,提出了一种动态传输下的改进扩展卡尔曼滤波方法用于电力计量计费数据的动态状态估计。首先,利用动态传输策略有选择地将区域电力计量计费数据传输到用户用电信息采集平台。然后,提出了一种改进扩展卡尔曼滤波方法,对电力计量计费数据进行动态状态估计,该算法利用不确定项表示线性化误差,在保证状态估计精度的基础上提高了计算速度。最后,用标准的IEEE-33配电网用户电表数据案例验证了该算法的可行性。

对变换状态空间EKF的研究及其应用

分析了变换状态空间扩展卡尔曼滤波(TSS-EKF)通过自定义辅助函数实现状态空间变换的缺陷,提出了新状态空间函数的定义、构造方法及改进的TSS-EKF算法,建立了相应的滤波跟踪数学模型,阐述了用改进的TSS- EKF算法求取辅助函数的过程,并把该算法应用到实际的航迹滤波跟踪问题中,得到了理想的结果。

小波降噪卡尔曼滤波锂电池荷电状态估计

针对锂离子电池充放电电压信号(DCV)中存在的噪声信号导致荷电状态(SOC)估计精度降低、波动较大的问题,提出了一种基于离散小波变换(DWT)的降噪扩展卡尔曼滤波(EKF)算法。该算法利用多分辨率分析(MRA)分解携带噪声的DCV信号,通过对比4种阈值硬阈值降噪规则对携带噪声的DCV信号的降噪处理效果,选择Stein无偏风险阈值硬阈值降噪规则调整小波系数,通过含自适应遗忘因子的递推最小二乘法辨识电池模型参数后,利用扩展卡尔曼滤波算法估计SOC。仿真结果表明:使用Stein无偏风险阈值硬阈值降噪规则有效地降低了DCV信号中的噪声信号;所提算法具有较好的鲁棒性,能够有效地提高SOC估计精度,使SOC估计误差范围控制在3%之内。

基于并行模型自适应滤波的空间目标相对位姿估计

扩展卡尔曼滤波(EKF)的估计精度受限于测量噪声统计特性的准确程度,如果敏感器测量噪声方差偏离其标称值,将会对滤波性能产生不利影响.尽管自适应扩展卡尔曼滤波(AEKF)能够对测量噪声方差进行估计,但是,噪声特性准确的情况下,AEKF的性能往往不及传统EKF.针对上述问题,本文提出一种并行模型自适应滤波(PMAF),基于特定的自适应率将EKF和AEKF结合起来,使得在先验信息准确的情况下,EKF在状态估计中起主导作用;相反,在实际噪声方差偏离标称值时,令AEKF起主导作用.这样,即能有效削弱测量噪声统计特性不确定性对滤波性能的影响,又能确保正常情况下的估计精度.以空间目标相对位姿估计为例,通过数学仿真对EKF、AEKF和PMAF进行了对比研究,表明所提算法的综合性能优于传统方法.

粒子滤波及其改进算法的比较

针对非线性、非高斯问题,建立了动态状态空间模型,详细分析了贝叶斯滤波的原理。对于满足线性和高斯的状态空间模型,卡尔曼滤波性能是最优的。但是,真实世界的非线性、非高斯问题存在,使得人们不得不寻找一种更好的滤波方法。解决非线性滤波问题最普遍的方法就是扩展卡尔曼滤波。但扩展卡尔曼滤波只适合弱非线性系统,对于强非线性系统,容易导致滤波发散。因而介绍了适用于强非线性、无高斯约束的基于序列蒙特卡罗算法的粒子滤波波器及其改进算法规则化粒子滤波器。最后对上述几种滤波器进行了性能仿真及分析。

基于强跟踪滤波器的电力系统频率测量算法

频率在电力系统保护与控制、电能质量监测等领域都起到了关键作用。建立了谐波和噪声干扰下的电压信号的复数状态空间描述,提出了基于强跟踪滤波器(Strong Tracking Filter,STF)的电力系统频率测量算法。解决了扩展复数卡尔曼滤波(Extended Complex Kalmanfilter,ECKF)算法在算法收敛后,系统状态发生突变的情况下需要重置误差协方差阵来重新跟踪这些变化的问题,进一步提高了其动态跟踪速度。通过与鲁棒型扩展复数卡尔曼滤波(Robust Extended Complex Kalman Filter,RECKF)算法的对比仿真表明,STF测频算法在迅速跟踪电压频率、幅值和相位变化的同时又能够保持较低的跟踪误差。

SINS/GPS组合导航的直接状态估计方法

由全球定位系统(GPS)和捷联式惯性导航系统(SINS)构成的组合方式导航是确定载体位速和姿态的常用方法。其滤波模型一般是基于估计误差的微分方程建立,能够直接运用卡尔曼滤波求解的线性状态空间方程,即间接估计。论文提出一种基于直接估计和非线性卡尔曼滤波的GPS/SINS组合导航方法,利用惯导力学编排建立了直接估计状态模型与松组合模型,并在求解雅克比矩阵的基础上采用扩展卡尔曼滤波求解。通过数值仿真对提出模型和算法进行了对比验证,结果表明,直接估计方法相比间接估计方法在恶劣初始误差条件下具有优于后者的性能。

基于滤波器组的船舶静电场跟踪

针对船舶静电场跟踪中先验信息缺失的问题,引入滤波器组方法,提出了一种新的船舶静电场跟踪算法。建立船舶静电场跟踪的状态空间模型,用水平电偶极子对船舶静电场进行建模;以渐进更新扩展卡尔曼滤波为基本滤波单元,采用一组滤波器对目标进行跟踪;根据电场计算公式设计滤波初值,并利用最大似然法确定可靠的跟踪轨迹。仿真和海上电偶极子跟踪实验表明,滤波器组方法能够有效地解决先验信息缺失条件下的船舶静电场跟踪问题,最大似然选择法能够筛选出正确的跟踪轨迹,在跟踪过程中滤波算法对方位信息更加敏感。

改进Euler公式在电池SOC估计中的应用

扩展卡尔曼滤波算法在估计电池荷电状态(SOC)时,往往利用显性Euler公式来描述电池模型的状态方程。显性Euler公式是一种单步计算方法,计算精度相对较低。因此,采用改进Euler公式代替显性Euler公式,并应用到卡尔曼滤波算法中。仿真结果表明,改进Euler公式能够提高电池模型的计算精度,从而大大提高SOC预测精度。

基于改进PNGV建模的锂电池SOC估算研究

锂电池通常以成组的方式使用,以满足大功率范围的需要。因此,需要电池管理系统(BMS)进行实时状态监控和安全控制,以确保使用过程中的安全性、动力性和耐久性。有效的等效建模和精确的荷电状态估计是电池管理系统中的关键技术。为了更好地对电池组的状态进行监控,在对三元动力锂电池进行大量试验研究的基础上,对传统的新一代汽车合作伙伴(PNGV)等效电路模型进行了改进,并在Matlab/Simulink下进行仿真。模型模拟值与实际端电压的偏差小于0.06 V,模型精度可达98%以上。在试验研究和电池精确建模的基础上,采用扩展卡尔曼滤波算法进行荷电状态(SOC)估算,其准确率可达96%以上。当初始荷电状态值偏离时,实际荷电状态值可以在50 s内快速恢复跟踪,实现锂电池荷电状态的准确估计。该方法为多状态变量模型的荷电状态估算提供了可靠依据。

几种滤波器跟踪性能的比较

现阶段,卡尔曼滤波是信息融合领域中广泛使用的融合算法,它在线性高斯模型下能得到最优估计,但在非线性非高斯的模型下不能达到理想的效果。在这种情况下,非线性目标跟踪已被人们广泛重视。扩展卡尔曼滤波器(EKF)是将卡尔曼滤波器(KF)进行Tay-lor展开,算法简单,计算快捷,适用于非线性程度不强,高斯的环境下。不敏卡尔曼滤波(UKF)是先对状态向量的后验概率密度函数(PDF)进行近似化然后再在标准卡尔曼滤波框架下进行递推滤波。粒子滤波是一种基于蒙特卡罗模拟和递推贝叶斯估计的滤波方法。这种滤波的方法和其他滤波的方法一样,都是可以通过系统的模型方程从测量空间一步步递推得到其相应的状态空间。它可以处理模型方程为非线性、噪声分布为非高斯分布的问题,在许多领域得到了成功的应用。论文中通过仿真试验,进行跟踪性能的比较,结果证明在复杂的非高斯非线性环境中,粒子滤波器的性能要明显优于扩展卡尔曼滤波器。

基于改进BP-EKF算法的SOC估算

准确估测电池当前荷电状态(SOC)是电池储能系统是否安全可靠的重要指标。根据锂电池内部实际动态特性,提出一种改进BP神经网络和扩展卡尔曼滤波(EKF)相结合的锂离子动力电池SOC估计方法。优化BP神经网络前馈分析计算解决传统BP信噪比低的问题,将训练成功的改进BP神经网络用于补偿EKF算法的估计误差,最后在Matlab/Simulink上搭建仿真模型进行实验。结果表明,与单纯的EKF算法相比,所提出的改进SOC估计方法的估算误差在2%以内,具有良好的矫正性和鲁棒性,能有效提高SOC的估计精度。

基于改进EKF算法的锂电池SOC预估研究

电池荷电状态(SOC)是描述电池性能的重要指标之一。针对磷酸铁锂电池(LiFePQ_4)的特性,选用了能够较真实地反应电池内部状态的PNGV电路模型,提出了改进模型的方法。采用扩展卡尔曼滤波算法(EKF),说明了扩展卡尔曼滤波估算荷电状态的原理并将内阻R_0看作状态变量进行同时预估更新,改进形成新的卡尔曼滤波算法。在仿真时对充电电流加入了噪声模拟实测数据。结果表明,该方法能够适应电池特性的动态变化,保证较高的SOC估算精度,减小误差,提高实用性。