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。

基于有限差分扩展卡尔曼滤波的锂离子电池SOC估计

锂离子电池荷电状态的快速准确估计是电池管理系统的关键技术。针对锂离子电池这一动态非线性系统,以二阶RC等效电路模型为基础,采用递推最小二乘法估算模型参数,运用有限差分扩展卡尔曼滤波算法对电池荷电状态进行估算。仿真结果表明,该模型能较好地体现电池的动态特性,有限差分扩展卡尔曼滤波算法在估算过程中能保持很好的精度,并可以有效地减小由模型误差引入的荷电状态估计误差。

用于弹道目标跟踪的有限差分扩展卡尔曼滤波算法

针对目前常用的滤波算法不能同时做到精确和高效跟踪目标的缺点,提出一种有限差分扩展卡尔曼滤波(FDEKF)算法用于再入阶段的弹道目标跟踪.该算法应用有限差分运算得到滤波的验前、验后误差协方差矩阵,避免了非线性函数求导运算,以及Jacobian阵和Hessian阵的计算,降低了计算难度,扩大了应用范围,增强了滤波过程的收敛性.Monte Carlo数值仿真表明,FDEKF算法与扩展卡尔曼滤波(EKF)算法和无味卡尔曼滤波(UKF)算法相比较,在跟踪精度上比EKF算法提高了约20%,与UKF算法相当,在计算复杂度上比EKF算法稍有增加,但比UKF算法低约39%.这说明FDEKF算法在计算量增加不多的情况下,滤波精度有显著提高.

基于双扩展卡尔曼滤波的锂电池SOC-SOH联合估计

为提高锂电池电荷状态(SOC)及健康状态(SOH)的估计精度,提出基于双扩展卡尔曼滤波(DEKF)的估计方法,解决了扩展卡尔曼滤波(EKF)噪声累积的问题。首先建立Thevenin等效电路模型,然后在此基础上提出一种加强电池SOC、SOH与开路电压(OCV)联系的方法,其有效地提高了SOC预测精度,并简化了SOH的计算过程,最后在UDDS工况下对联合估计算法进行MATLAB仿真验证。结果表明所提出的方法较EKF有更高的估计精度和更好的鲁棒性。文章就此进行了相关的阐述和验证。

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。

基于中心差分扩展卡尔曼滤波的电源频率估计

针对扩展卡尔曼滤波算法(EKF)和无迹卡尔曼滤波算法(UKF)在处理飞机供电系统的交流电压频率估计方面所表现出的估计精度和实时性问题,提出了一种采用中心差分计算EKF中非线性函数一阶导数的基于中心差分扩展卡尔曼滤波(CDEKF)算法。理论分析和仿真表明:CDEKF虽然计算时间比EKF稍有增加,但比UKF的计算时间少,而计算精度比EKF有显著提高,与UKF的计算精度相当。

基于双DQN和扩展卡尔曼滤波的锂离子电池荷电状态估计

为了提高锂离子电池荷电状态(SOC)的估计精度,设计了一种基于双深度Q网络(双DQN)和扩展卡尔曼滤波(EKF)的锂离子电池SOC估计算法.选择锂离子电池二阶RC等效电路为研究对象,采用EKF算法重构了锂离子电池的离散系统数学模型;结合深度强化学习思想,构造了一种深度强化学习扩展卡尔曼滤波算法.该算法设计了双DQN,并对EKF参数进行优化.仿真结果表明,与DQN扩展卡尔曼滤波算法相比,双DQN扩展卡尔曼滤波算法具有更好的收敛性、自适应能力以及估计精度.

基于低阶串行双扩展卡尔曼滤波的永磁直线同步电机无速度传感器控制策略

首先,基于三相永磁直线同步电机在同步旋转坐标系下的数学模型,推导出系统的三阶状态方程,实现基于扩展卡尔曼滤波算法的动子速度估计;然后,分析传统扩展卡尔曼滤波算法的计算过程,针对其实时线性泰勒近似是在上一周期的最优估计处完成,因而具有一定滞后性的缺陷,提出一种低阶串行双扩展卡尔曼滤波算法,通过两个低阶扩展卡尔曼滤波算法串行执行,在当前周期的最优估计处完成泰勒近似,提高状态估计精度;最后,仿真和实验结果表明,提出的基于低阶串行双扩展卡尔曼滤波器的无速度传感器控制策略,相比于常规扩展卡尔曼滤波器无速度传感器控制方法具有更高的速度估计精度。

基于扩展卡尔曼滤波的无速度传感器无刷双馈感应电机直接转矩控制

本文提出了一种基于扩展卡尔曼滤波的无速度传感器无刷双馈感应电机直接转矩控制策略。通过对三相无刷双馈感应电机在转子速度坐标系下的数学模型进行分析,推导出系统的状态方程和观测方程,实现基于扩展卡尔曼滤波算法的转子速度和功率及控制绕组磁链的估计。根据磁链的估计值计算出电磁转矩,并通过对控制绕组磁链进行定向和逆变器开关状态的判定实现无刷双馈感应电机的转矩控制。仿真结果表明,在速度给定阶跃变化、负载突变的情况下,所提控制策略均能实现对转速和磁链的精确估计,系统运行稳定。

基于双扩展卡尔曼滤波的电池荷电状态估计

以磷酸铁锂动力电池为研究对象,以精确估算电动汽车动力锂电池组在实际运行工况中的SOC为目的,基于Thevenin等效电路模型和扩展卡尔曼滤波算法,结合脉冲功率特性实验(HPPC Test)对模型参数进行辨识,采用双扩展卡尔曼滤波对SOC和模型参数进行在线估算,并分析算法在不同温度下的适应性和不同SOC初始值条件下的收敛特性。仿真结果表明,在不同的工况下,相比于单扩展卡尔曼滤波该算法具有更高的精度、更好的环境适应度和对初始误差的收敛性。

基于双扩展卡尔曼滤波锂电池荷电状态估算研究

针对单个扩展卡尔曼滤波算法(EKF)估算精度不高,且受荷电状态(SOC)初始值的影响,在建立二阶RC等效电路模型基础上,采用双扩展卡尔曼滤波算法(DEKF)对电池模型参数与SOC在线估算。以24 Ah/3.3 V磷酸铁锂电池组为研究对象,设计了电池实测工况实验,实验结果表明,在动态压力测试工况(DST)和纯电动乘用车用能量型蓄电池主放电工况下,与单个EKF算法相比,DEKF算法在SOC初始值不准确的条件下具有较好的收敛性和适应性,误差控制在3%以内,证明了该算法的可行性和有效性。

基于中心差分扩展卡尔曼滤波算法的三相感应电机转速和转矩的估计

针对三相感应电机在转速和转矩测试过程中,存在采集数据易受外界干扰而导致转速和转矩等估计值出现较大偏差的问题,提出采用中心差心扩展卡尔曼滤波算法实现对三相感应电机转速和转矩的估计.首先,以三相感应电机的定子和转子电流作为状态变量,推导出了三相感应电机在α-β坐标系下的状态方程和输出方程.然后,采用中心差分扩展卡尔曼滤波算法实现对三相感应电机转速和转矩的解算.仿真结果表明,与扩展卡尔曼滤波算法相比,中心差分扩展卡尔曼滤波算法对电机运行状态的变化具有更好的跟随性能及更快的收敛速度,能够准确的估计三相感应电机的转速和转矩.

基于扩展卡尔曼滤波的移动机器人变结构线性化复合跟踪控制

研究了移动机器人轨迹跟踪控制问题,通过坐标变换将轨迹跟踪问题转化为误差系统的镇定问题.基于反馈线性化和变结构控制思想提出一种复合有限时间变结构线性化跟踪控制算法,其首先使误差系统驶向角初始误差快速收敛到滑模边界层,然后采用连续状态反馈控制律来实现驶向角误差的无抖振快速镇定,同时将原误差系统转化为低阶系统;其次针对低阶系统设计了位置误差的状态反馈控制律,实现了位置误差的有限时间镇定.针对有系统噪声和量测噪声的误差系统,利用扩展卡尔曼滤波(EKF)进行误差状态估计,并以估计值构成反馈控制律.通过数值仿真验证了控制策略的有效性.

基于扩展卡尔曼滤波算法的RBF神经网络主动视觉跟踪

本文模拟人眼生理结构,创建了一种新型视觉仿生跟踪系统,提出一种基于扩展Kalman滤波RBF神经网络主动跟踪方法。首先,利用背景差分方法从背景中将目标分离,采用HSV颜色空间模型得到消除阴影的目标图像,并获取目标的位置形状特征。其次,将扩展卡尔曼滤波器与多输出的径向基(RBF)函数相结合作为学习算法,应用于基于人眼视觉仿生的运动目标的实时跟踪,当神经网络的结构确定后,EKF可以同时确定中心节点向量和网络的权值矩阵,使跟踪变得简单和稳定。最后,实验结果表明,所采用的方法,通过运动目标跟踪的特征选择与识别实现基于人眼视觉仿生的主动视觉跟踪,该算法估算精度高、计算量小、易于实现,有一定实用性。

改进的扩展卡尔曼滤波算法研究

扩展卡尔曼滤波已被广泛地应用到工程实际等各领域,但是此算法因假设过程噪声固定而带来误差,精度不高。研究了一种改进的EKF算法,主要通过假设过程噪声由滤波结果和观测结果得到,再用差分进化算法对所得到的过程噪声方差进行最优化选择来提高滤波精度,通过Matlab对算法进行验证,并与EKF滤波效果、无迹卡尔曼滤波效果进行比较,结果表明,改进的扩展卡尔曼滤波算法减小了状态估计偏差,获得了比较理想的滤波效果,提高了滤波精度。

基于改进的扩展卡尔曼滤波在GPS测速中的应用

汽车电子控制系统对动态测速提出较高的要求,使用位差法和扩展卡尔曼滤波融合算法用于GPS测速比GPS位置差分测速方法具有更高的精度,但在汽车快速转弯时误差较大。为此通过有限差分运算获取滤波验前、验后误差协方差矩阵,增强滤波过程的收敛性,再以有限差分扩展卡尔曼滤波算法对汽车实时位置进行运算以获取实时车速。实验结果表明,相比扩展卡尔曼滤波GPS测速方法,该文算法具有更高的测速精度。

基于扩展卡尔曼滤波的DFIG变流器控制系统参数辨识方法

变流器为风电机组的重要组成部分,其控制系统对风电机组的动态输出特性具有显著影响。针对双馈风电机组(doubly fed induction generator,DFIG)变流器,提出其控制参数辨识方法。根据DFIG变流器控制的详细动态模型分析其控制参数辨识的可行性,并结合参数的轨迹灵敏度来定量分析其辨识的难易程度;基于风电机组实际运行工况下可量测获取变量及其时间序列,结合扩展卡尔曼滤波算法推导相应的状态转移矩阵及观测矩阵,并构建风电机组变流器控制的离散化迭代方程,进而建立变流器控制参数辨识模型。以并网1台DFIG的4机2区系统作为测试系统,通过量测风电机组定转子侧、电网侧电气量来实现变流器控制参数的辨识,仿真结果证明了该方法的准确性和鲁棒性。

用时域有限差分法分析双频带滤波器的教学探讨

双频段滤波器是微纳光学与材料课程中一类非常重要的器件,它在工业生产实际过程中具有广泛应用。然而学生对此类器件的相关理论方面的内容是含糊不清的。为加强学生对本知识点的理解和掌握,本文借助时域有限差分法从理论上详细讨论双频段滤波器是如何构建以及如何工作的。鉴于所采用的教学辅助方法非常的直观和形象,因此可明显提高学生的学习积极性和对本知识点的识记。

基于平方根中心差分卡尔曼滤波的大方位失准角初始对准

基于大方位失准角条件下捷联惯导系统误差模型的非线性特点,采用非线性滤波方法进行初始对准。扩展卡尔曼滤波存在精度低,且需要计算雅可比矩阵等不足,而中心差分卡尔曼滤波在递推过程中具有计算量大,数值不稳定等缺点。针对上述问题采用了一种改进的中心差分滤波算法——平方根中心差分卡尔曼滤波。仿真结果表明,与扩展卡尔曼滤波相比,平方根中心差分卡尔曼滤波对方位失准角的对准精度由24.5′提高到5.83′,并且避免了计算雅可比矩阵带来的不便;与中心差分滤波相比,平方根中心差分卡尔曼滤波在保证滤波精度的同时,降低了滤波的计算量,提高了滤波的数值稳定性。

基于双卡尔曼滤波的锂电池荷电状态的估计

针对电池荷电状态的(SOC)估计误差较大的问题,提出了双卡尔曼滤波算法。介绍了电池常用的等效模型和使用方向,以双RC模型为基础建立了电池系统的空间方程,使用混合脉冲功率特性测试法得到了模型参数值。推导了安时积分法和扩展卡尔曼滤波原理,在基础上提出了双卡尔曼滤波算法,对双卡尔曼滤波的原理和公式实现进行了详细推导。设计了电池组的充放电实验对算法进行验证。结果表明安时积分法估计误差随时间不断增大,扩展卡尔曼算法估计误差振荡很大,双卡尔曼滤波的估计精度较高,最大估计误差只有0.13%。