基于动态遗忘因子递推最小二乘法和改进粒子滤波算法的锂电池SOC估计

为了提高锂电池荷电状态(SOC)估计的精度,提出了一种基于动态遗忘因子递推最小二乘法和改进粒子滤波算法相结合的锂电池SOC估计方法。针对固定遗忘因子递推最小二乘法在电池参数辨识中难以同时保持快速收敛和稳定性的问题,引入动态遗传因子,以模型辨识值和实际值的残差为变量构建修正公式,实现遗忘因子动态调整。为了改善粒子滤波(PF)的粒子多样性丧失问题,采用白鹭群优化算法(ESOA)对粒子滤波算法进行优化。仿真结果表明,基于动态遗忘因子递推最小二乘法和改进粒子滤波算法的锂电池SOC估计误差始终保持在0.3%以内,平均绝对误差和标准差为0.15%和0.17%,与其他算法相比具有更好的精度和稳定性。

可变遗忘因子递推最小二乘法对时变参数测量

针对传统的递推最小二乘法对于非平稳环境下的突变和时变信号的跟踪能力不够,常常无法检测到信号特征参数的问题,提出了在指数加权递推最小二乘法中引入可变的加权遗忘因子λ,对电力系统时变信号的幅值、相位、频率进行测量的方法。加权λ对算法的收敛速度和跟踪能力有很大影响,如能很好的调节λ,既可确保对时变参数的快速跟踪能力,又能具备小的参数估计误差。仿真结果表明:与传统的递推最小二乘法相比,该方法测量精度和收敛速度更优越,即使在低信噪比环境下,也能较精确的测出时变参数值。

基于可变遗忘因子的递推最小二乘法锁相环研究

电网电压相位角的准确获得,是变流器并网运行关键的指标之一。当三相电压出现频率、幅值或者相位突变时,传统锁相环算法往往出现相角估计不准,动态性能较差等问题。本文提出基于可变遗忘因子的递推最小二乘法锁相环算法,该方法通过对电网电压不平衡引起的相电压的角度、幅值和偏移量进行实时补偿来检测相角,实现提高系统鲁棒性和系统稳定性的目的。通过仿真和实验加以证明,结果表明该算法可以有效提高锁相环的精度和可靠性,提高系统的抗干扰能力。

基于动态遗忘因子递推最小二乘法的永磁同步电机参数辨识算法

针对固定遗忘因子递推最小二乘法(RLS)在永磁同步电机参数识别中难以同时保证快速性和鲁棒性的问题,提出一种动态调节遗忘因子大小的递推最小二乘参数识别算法。分析了遗忘因子对RLS算法的影响特性,以理论模型与实际模型输出的差值为变量构建遗忘因子调节函数,实现遗忘因子动态调整。仿真结果表明,相比于固定遗忘因子RLS算法,改进算法可以同时保证稳态抗干扰与动态快速收敛能力,具有优越性。

基于遗忘因子递推最小二乘法的伺服系统转动惯量辨识方法

为了提高交流伺服系统的动态响应性能,要求伺服驱动器具有在线参数自整定功能。实际系统运行中负载转动惯量是未知的,所以在提高系统动态抗干扰能力的研究过程中,需要对负载转动惯量进行准确辨识,以保证伺服系统的最优控制效果。针对负载惯量变化引起的转动惯量变化问题,提出一种基于遗忘因子递推最小二乘法的负载转动惯量辨识方法,根据辨识出的转动惯量,实时调整速度调节器的参数,使系统具体良好的动静态性能。仿真结果表明,这一辨识方法具有较快的收敛速度和较高的辨识精度。

基于模糊遗忘因子递推最小二乘法锂电池参数辨识方法研究

针对遗忘因子递推最小二乘法的遗忘因子为固定值而造成锂电池参数辨识结果稳定性和锂电池等效电路模型精度无法同时兼顾的问题,提出一种将模糊算法与遗忘因子递推最小二乘法相结合的融合算法——模糊遗忘因子递推最小二乘法,使得遗忘因子在模糊控制器的作用下实现动态可变.通过选取一阶RC模型作为锂电池的等效电路模型,并基于固定遗忘因子递推最小二乘法和模糊遗忘因子递推最小二乘法,分别对一阶RC模型进行参数辨识,然后分别将参数辨识结果带入模型中进行模型端电压误差计算.仿真结果表明,相较于遗忘因子取值为1的固定遗忘因子递推最小二乘算法,基于模糊遗忘因子递推最小二乘法的锂电池模型端电压平均绝对误差值下降了0.00085 V,最大误差绝对值下降了0.0742V.相较于遗忘因子取值为0.9的固定遗忘因子递推最小二乘法,模糊遗忘因子递推最小二乘法参数辨识结果的稳定性有非常显著地提升.

基于动态遗忘因子递推最小二乘算法的船舶航向模型辨识

为提高遗忘因子递推最小二乘(RLS)算法辨识船舶航向运动数学模型参数的快速性和鲁棒性,在分析遗忘因子大小对算法特性影响的基础上,提出一种基于模糊控制的动态遗忘因子RLS算法。该算法从理论模型输出与实际模型输出之间的残差入手来构造评估参数辨识误差大小的评价函数,并将评价函数及其变化率作为模糊控制器的输入,利用模糊控制器结合制定的规则表进行模糊推理并计算遗忘因子的修正量,从而实现遗忘因子的动态调整。仿真结果表明,与恒定遗忘因子RLS算法的对比,该算法能够根据参数辨识误差实时调整遗忘因子的大小,使算法在模型参数平稳时有更高的辨识精度,在模型参数突变时有更快的收敛速度,验证了所提算法的优越性。

基于递推阻尼最小二乘法的电力系统频率跟踪

最小二乘法是一种广泛的系统辨识和参数辨识方法,适于离线辨识,在线辨识参数时有其局限性。基于传统的最小二乘法,提出一种带有遗忘因子的有限数据窗口和自适应阻尼因子的递推阻尼最小二乘参数辨识算法。针对电力系统信号为理想信号、含有谐波及噪声和电力系统频率瞬间发生跳变的情况,分别做了仿真。仿真结果验证了该方法的鲁棒性、快速性和准确性,且算法效果优于其他方法。

基于递推最小二乘法的永磁伺服系统参数辨识

为使永磁同步电机(PMSM)控制系统在复杂环境中具有较好的动态性能,伺服系统必须具有参数辨识和参数自整定的功能,而转动惯量与负载转矩辨识是其首要解决的问题。采用零阶保持器对电机运动方程进行离散化建模,考虑了摩擦系数对辨识结果的影响,将基于遗忘因子递推最小二乘辨识算法应用于该离散模型可以同时辨识出系统转动惯量、负载转矩和摩擦系数。同时,针对Matlab/Simulink中库模型参数不能在线动态修改的缺点,提出改进型PMSM模型,以此搭建了伺服系统的仿真控制模型,完成了定参数与变参数的动态仿真。最后,在stm32微控制器上进行了实验验证。仿真和实验表明该文提出的电机离散化模型和参数辨识方法具有一定的准确性和实时性,仿真结果验证了改进型PMSM模型在变参数仿真研究中的实用性。

递归最小二乘法追踪电压闪变包络线

应用常规递归最小二乘法(RLS)同时估计2个或2个以上变量时容易产生较大误差,改进RLS根据情况选择遗忘因子的个数:利用前一次估计的结果,把误差分散到不同参数,然后各自选用合适的遗忘因子,使各参数以不同的比率变化,优化追踪结果。通过Matlab仿真,分别用常规RLS和改进RLS追踪电压闪变的包络线和初相角,用改进RLS追踪单频、多频闪变及其加噪后的包络线幅值,并对包络线进行了快速傅里叶变换分析。结果证实该方法提高了准确性。

一种改进递推最小二乘的系统谐波阻抗估计方法

谐波责任划分的前提是系统谐波阻抗的精确估计。针对测量异常值和背景谐波变化造成谐波阻抗估计误差,该文将带遗忘因子的递推最小二乘法和稳健回归法结合,提出一种改进递推最小二乘的系统谐波阻抗估计方法。基于公共连接点处谐波电压和谐波电流数据,利用抗差最小二乘计算残差矩阵,进一步得到自适应变化遗忘因子,引入于中国科学院大地测量与地球物理研究所Ⅲ(Institute of Geodesy and GeophysicsⅢ,IGGⅢ)稳健权函数,采用复数递推最小二乘法更新增益矩阵和协方差矩阵,并进行待估参数的更新,最终得到系统谐波阻抗。仿真和实例测试有效验证了该文所提方法的优势。

基于最小二乘法对时变参数测量的新方法

针对现有的递推最小二乘算法对突变信号的跟踪能力不够,提出一种新的基于可变遗忘因子递推最小二乘算法。它对电力系统时变信号的幅值、相位和频率进行测量时,调节好引入的可变遗忘因子λ初始值可使算法的收敛速度和跟踪能力得到改善。仿真结果表明:与现有的递推最小二乘法相比,本算法收敛速度更快,参数估算精度更高,在一定低信噪比环境中抗噪性更好。

基于最小二乘法的永磁同步电动机参数辨识

针对永磁同步电动机参数的时变和不确定性,设计了基于遗忘因子递推最小二乘法的电机定子电阻、dq轴电感以及转动惯量的辨识方法,仿真结果表明了该方法收敛速度快,能准确地实现电机定子电阻、dq轴电感以及转动惯量的辨识。

基于可变遗忘因子RLS的Boost转换器在线多参数辨识

针对Boost转换器控制性能受电感和电容变化影响的问题,提出了一种基于可变遗忘因子递推最小二乘法(recursive least squares method,RLS)的在线多参数辨识算法.考虑电感电流纹波,推导了精确的电感和电容辨识模型.在此基础上,研究了RLS算法中遗忘因子动态取值问题.通过在算法的误差信号中恢复系统噪声的方法,动态计算遗忘因子的取值,解决了传统RLS算法难以兼顾稳态精度和参数跟踪能力的问题.仿真结果表明,该算法可以在动态条件下,精确且快速地跟踪电感和电容值的变化,且具有良好的鲁棒性.

多变量CAR模型的递推辨识

将加权最小二乘法和限定记忆两种参数估计方法相综合 ,给出了多变量系统带控制输入的自回归模型未知参数的递推估计算法 .

基于密度函数的模糊混合SOC估计方法

针对传统锂离子电池荷电状态估算中开路电压-荷电状态(OCV-SOC)曲线拟合及估算算法精度的问题,在二阶RC模型的基础上,引入高斯多项式来更好地拟合SOC和开路电压曲线,同时利用带自适应遗忘因子的最小二乘法进行模型参数的在线辨识,并将所得模型参数带入由扩展卡尔曼滤波器和安时积分法组成的模糊混合算法中,最终完成对SOC的估算。实验结果表明,该联合算法能够迅速收敛初始误差,静态恒流下SOC最大误差在1.1%以内,欧洲循环驾驶标准工况(NEDC)下SOC和端电压的均方根误差分别为0.12%和1.82%,具有很好的估算精度和鲁棒性,可以实现对SOC的准确估算。

基于改进Bayes信息量准则的锂电池自适应变阶AVO模型

提出了一种融合Bayes信息量准则和樽海鞘优化算法的自适应变阶(AVO)模型。该模型以端电压误差的Bayes信息量作为一阶和二阶RC模型的变阶依据,利用樽海鞘优化算法(SSA)搜索Bayes信息量序列的全局最优解,实现对模型最优变阶序列的求解;通过开展混合动力脉冲特性(HPPC)实验,选用含遗忘因子递推最小二乘法(FFRLS)获取精确的模型参数,完成AVO模型的电阻及电容参数辨识和精度在线验证。结果表明:所建立的锂电池自适应变阶AVO模型平均误差为0.011 9 V,精度及实用性较高。

永磁同步电机多参数辨识研究

针对表贴式永磁同步电机(surface permanent magnet synchronous motor, SPMSM)在运行过程中参数时变问题,采用带遗忘因子的递推最小二乘法(forgetting factor recursive least squares, FFRLS)在线辨识永磁磁链ψ_f、定子电阻R_s和电感L_s。对SPMSM数学模型进行分析,结合空间矢量脉宽调制技术,实现矢量控制;分析不同参数发生变化对电机控制性能的影响,并建立矢量控制策略下FFRLS参数辨识和递推最小二乘法(recursive least squares, RLS)辨识的系统仿真模型,进行对比仿真分析。仿真结果表明,该算法能较好地进行辨识,辨识快速收敛,辨识精度高。

基于等效电路模型和数据驱动模型融合的SOC和SOH联合估计方法

针对电池SOC与SOH估计结果相互影响,单独估计准确度不高的问题,该文提出了一种基于等效电路模型和数据驱动模型融合的SOC和SOH联合估计方法。通过构建考虑老化和SOC的电池二阶RC等效电路模型,采用带遗忘因子的递推最小二乘法,在不同SOC和SOH的情况下,对电池的参数进行在线辨识,实现电池参数在线辨识与电池SOC和SOH估计的耦合。以锂离子电池自SOC=20%到恒流充电阶段结束所需时间为输入,电池SOH值为输出,训练GPR模型,实现电池SOH估计。将输出的SOH估计值与电池的额定容量相乘,得到电池的实际容量,更新二阶RC状态空间方程,采用扩展卡尔曼滤波算法对电池进行SOC估计,实现电池SOH估计和SOC估计之间的联合。采用牛津大学电池退化数据集和NASA随机使用电池数据集进行算法验证,结果表明,所提联合估计方法能够在电池的生命周期内较准确地跟随锂离子电池SOC和SOH的真实值。

噪声情况下的时变间谐波谱估计

间谐波幅值远小于基频或其它整数倍谐波的幅值,使其对噪声非常敏感,噪声往往会将这类微弱信号淹没。另一方面,实际间谐波频谱是随时间变化的,应看作随机信号来处理。该文提出一种基于4阶累积量的可变遗忘因子递推最小二乘法(cumulants recursive least square-variable forgetting factor,CRLS-VFF),将间谐波信号看作一个时变自回归(auto-regressive,AR)模型,利用参数化谱估计方法分辨率高的优点,将间谐波谱估计问题转化为时变AR参数的估计。4阶累积量可抑制任何高斯噪声,保证算法的频率分辨率;可变遗忘因子提高了算法跟踪时变参数的能力。对根据间谐波特点构建的仿真模型及典型的间谐波源——变频装置产生的信号进行仿真,结果证明:该方法能在噪声情况下准确估计出时变间谐波的频谱。