基于双无迹卡尔曼滤波的电动汽车状态惯性监测

为了能够对车辆动力惯性参数开展非线性评价,开发了一种分布结构驱动力电动汽车双无迹卡尔曼滤波(Dual unscented Kalman filter,DUKF)方法与状态观测系统联合系统车辆惯性监测方法。采用离散化方法建立车辆非线性动力学观测器,有效满足了车辆的非线性动力学评价要求。研究结果表明:相对DEKF方法,采用DUKF方法观测时达到了更小振荡程度,到达稳态观测阶段时,DUKF达到了更接近实际值的稳态观测效果,促进观测精度的显著提升,可以与非线性车辆动力学评价系统之间达到良好适应性。该研究有助于提高自动驾驶的稳定性,为后续的理论研究奠定一定的基础。

基于无迹卡尔曼滤波的动力电池状态估计

准确预测动力电池的荷电状态(SOC)与健康状态(SOH)对电动汽车电池系统的安全运行至关重要。卡尔曼滤波(KF)算法被广泛用于动力电池的状态估计,但非线性误差较大。提出利用无迹卡尔曼滤波(UKF)算法实现对动力电池状态的准确估计。首先,通过分析动力电池实验数据,建立一阶等效电路模型,模型拟合优度达到0.992。随后,加入容量衰退机制模拟锂离子电池老化过程,并对电池进行恒流充电以及随机放电循环,模拟动力电池实际工况。不同初始值下,SOC、SOH估计的均方根误差均小于0.01,且随着循环次数的增加,误差逐渐减小。

基于自适应无迹卡尔曼滤波算法的锂电池荷电状态预测

针对无迹卡尔曼滤波在噪声不稳定和工况复杂的情况下锂电池荷电状态预测准确度低的问题,提出基于二阶等效RC电路模型,采用遗忘因子递推最小二乘法对模型参数进行辨识,使用自适应无迹卡尔曼滤波算法(AUKF)对锂电池荷电状态进行预测,最后在DST数据工况下,验证预测模型的准确性。对无迹卡尔曼滤波(UKF)算法和提出的AUKF算法进行仿真对比,结果表明:所提算法的最大误差在±0.02之内,预测精度更高、适用性更强。

基于卡尔曼滤波算法的电池状态估计

为更好地获得锂离子电池荷电状态SOC(state-of-charge)估计值,选用二阶等效电路模型作为研究对象,针对带有遗忘因子的递推最小二乘法在参数辨识中易受到噪声等环境因素干扰的缺点,提出偏差补偿最小二乘法来实现模型参数的准确辨识,并结合无迹卡尔曼滤波算法对SOC进行估计。针对无迹卡尔曼滤波算法稳定性差等缺点,提出利用权重向量更新滤波算法中的卡尔曼滤波增益。实验结果表明,所提算法估计SOC的总误差可控制在2.7%以内,验证了算法的鲁棒性和有效性。

基于分数阶模型多新息无迹卡尔曼滤波算法的超级电容SOC估计

对超级电容的SOC估计展开了研究。首先,搭建了超级电容测试平台,用于超级电容的参数辨识,并对超级电容进行了常规性能测试;其次,在不同的环境温度和动态工况下采用多种算法进行超级电容SOC估计。结果表明,采用分数阶模型多新息无迹卡尔曼滤波(FOMIUKF)算法对超级电容SOC的估计精度最高,对超级电容的路端电压跟随情况最好,估计结果的均方根误差和平均绝对误差的最大值分别约为1.8%和1.73%。

无迹卡尔曼滤波估计空间目标特征信息

为了加强对空间目标,尤其是非合作目标的探测监视,空间目标的各种特性正受到越来越多的关注。通过无迹卡尔曼滤波对空间目标的位置、速度、姿态、角速度和材料复折射率5种状态参数进行了反演估计。利用观测角度、光度和偏振度数据作为观测值估计目标的状态,基于位置与速度运动学模型和姿态与角速度动态模型,完成5种状态的时间演化,实现了对5种状态参数的联合估计。仿真结果表明,设置合理的状态初始值、状态方程和测量方程噪声,5种状态参数误差均能合理收敛,无迹卡尔曼滤波能够较好地预测空间目标的5种特征参数,同时也验证了观测角度、光度和偏振度数据可以用于反演空间运动目标的5种非直接观测特征信息。

基于动态噪声自适应无迹卡尔曼滤波的锂离子电池SOC估计

锂离子电池具有无记忆效应、轻量化、环保等特点,因此常作为电动交通工具、电子设备的能源来源,并适用于各种规模的能源存储。在锂离子电池管理系统中,电池的荷电状态(state of charge,SOC)是最关键的指标之一,其准确估计对于实现电池系统的高效能量管理和优化控制至关重要。因此本文提出了一种基于动态噪声自适应无迹卡尔曼滤波的SOC估计方法。首先,通过间歇放电实验获取电池不同SOC下的开路电压,并进一步拟合得到电池的OCV-SOC曲线,接着采用二阶RC等效电路模型对锂离子电池建模,然后通过混合功率脉冲特性工况测试对电池模型参数进行辨识。由于实际应用中锂离子电池为非线性系统且SOC估计精度容易受到噪声的影响,本文在卡尔曼滤波算法的基础上采用无迹变换处理,加入噪声自适应过程,以实现噪声特性自适应估计,动态调整测量噪声与过程噪声,提高算法鲁棒性以及估计精度。最后选取DST与FUDS工况进行验证,结果表明在不同工况下动态噪声自适应无迹卡尔曼滤波算法的估计平均绝对误差、最大绝对误差以及均方根误差相较于自适应无迹卡尔曼滤波、无迹卡尔曼滤波算法均有降低,其平均绝对误差小于0.59%。本文提出的动态噪声自适应无迹卡尔曼滤波算法能够更准确地估计锂离子电池SOC。

基于扩展KRSL无迹卡尔曼滤波的约束动态状态估计

动态状态估计作为监测系统动态变化的有效手段,对电力系统稳定运行具有重要意义。然而,采集和传输的数据中往往存在时变非高斯量测噪声和离群值,使得基于均方误差准则的传统卡尔曼滤波估计方法的精度不高。为此,首先定义广义核风险敏感损失函数,将其引入无迹卡尔曼滤波框架以实现鲁棒状态估计。然后,考虑同步发电机和控制器模型存在不同条件约束,通过伪量测法将约束条件引入上述估计算法中,以解决估计值超出真值变化范围而产生较大估计偏差的问题,从而进一步提升估计精度。最后,应用新英格兰16机68节点网络模型在不同条件下进行仿真实验,以验证算法的有效性。

自适应渐消无迹卡尔曼滤波锂电池SoC估计

精确的荷电状态(SoC)是锂电池安全高效运行的重要保障,文章针对传统无迹卡尔曼滤波(UKF)对非线性系统突变状态跟踪能力差,导致SoC估计精度低的问题,提出一种新型自适应渐消无迹卡尔曼滤波(AFUKF)SoC估计方法。首先,通过设计新型衰减因子对UKF误差协方差矩阵进行加权,并基于新型衰减因子完成AFUKF的设计,减小陈旧量测值对估计结果的影响,提高传统UKF的估计精度和跟踪能力。其次,基于自主实验平台测试数据,验证了本文所提AFUKF算法存在初始误差时,相较于传统UKF算法,ECE工况下平均绝对误差和均方根误差分别下降了47.95%和33.92%,DST工况下分别下降了36.40%和27.73%;相较于同类改进的AUKF算法,ECE工况下平均绝对误差和均方根误差分别下降了43.36%和33.51%,DST工况下分别下降了39.01%和25.63%。模型结果表明,相比于传统UKF算法以及同类型改进的AUKF算法,AFUKF具有更高的估计精度,且在相同初始SoC误差条件下具有更好的鲁棒性。

基于自适应无迹卡尔曼滤波和经济模型预测控制的全钒液流电池SOC/SOP联合估计方法

荷电状态(state of charge,SOC)和峰值功率(state of peak power,SOP)的精确估计对保障电池安全稳定运行具有重要意义。为解决传统估计算法误差高、鲁棒性差等问题,本文提出了一种基于自适应无迹卡尔曼滤波(adaptive unscented Kalman filtering,AUKF)和经济模型预测控制(economic model predictive control,EMPC)的全钒液流电池(all-vanadium redox batteries,VRB)SOC/SOP联合估计方法。首先,为了提高传统模型的建模精度,本文综合考虑了VRB的电化学场和流体力学场的耦合特性,建立了一个能够全面刻画VRB运行过程的综合等效电路模型,并采用人工蜂群算法(artificial bee colony algorithm,ABC)对模型参数进行离线辨识。随后,考虑到传统的UKF算法无法适应系统噪声,收敛性差,且忽略电池参数变化等缺点,本文提出了基于AUKF的在线参数辨识和SOC估计算法,通过自适应调整UKF算法的参数来提高模型的精度。结合SOC的估计结果,采用EMPC算法估计VRB的SOP,并综合考虑了电压、电流、SOC和电解液流速等约束条件。最后,设计了多种实验工况验证了本文提出的SOC/SOP联合估计算法的精度。文章研究内容能够为液流电池不同运行状态下峰值功率预测和储能电站的精准调度提供依据。

随机丢包的无迹卡尔曼滤波估计以及性能分析

在工程应用中,无线网络控制系统多为非线性系统。由于长距离传输和通信网络不可靠等原因,系统传感器的测量值可能在传输过程中丢失,影响精度估计以及系统性能。文中研究一类受相关噪声和传感器测量值丢失影响的非线性离散随机系统的无迹卡尔曼滤波问题。通过引入一个服从伯努利分布且条件概率已知的随机变量来描述随机发生的传感器测量值丢失现象。文中提出了一种对数据进行补偿的算法,并使用标准数值软件对所得结果进行验证。结果表明,经过算法补偿后的滤波能够较好地估计系统,可以减少传感器测量值丢失对滤波器性能的影响,增加估计的准确性。

基于改进自适应无迹卡尔曼滤波算法的锂电池荷电状态估计

针对变窗口自适应无迹卡尔曼滤波(AUKF)算法在窗口改变时窗口长度发生突变,窗口序列数据急剧减少,导致状态估计误差增大,稳定性和精确度下降的问题,基于二阶RC等效电路模型,并采用遗忘递推最小二乘(FFRLS)算法进行参数辨识,结合改进后的变窗口AUKF算法估计锂电池荷电状态(SOC)。在城市道路循环(UDDS)工况下进行试验验证,并与无迹卡尔曼滤波(UKF)、自适应无迹卡尔曼滤波(AUKF)及变窗口AUKF算法进行对比,结果表明,改进后的变窗口AUKF算法将平均误差控制在0.38%以内,具有更高的精确性和收敛性。

基于改进无迹卡尔曼滤波的锂电池荷电状态估计

锂电池是一种广泛应用的能源器件,高效的荷电状态估计是锂电池安全管理的基础。为了提高荷电状态估计的精度,提出了一种联合估计方法。首先,采用递归限制总体最小二乘法辨识模型参数,解决了传统递推最小二乘法存在辨识偏差导致准确性降低的问题;接着,提出了基于权重优化的无迹卡尔曼滤波算法,提高了荷电状态估计的精度;最后,引入北京公交动态压力测试工况的仿真实例对锂电池放电状态进行建模,并通过与3种先进方法进行比较,验证了所提方法在精度和收敛速度方面的优越性。

基于改进无迹卡尔曼滤波器的锂电池荷电状态估计

针对无迹卡尔曼滤波算法(UKF)估算锂电池荷电状态(SOC)存在的精度低、稳定性差的问题,在二阶模型的基础上,提出一种基于奇异值分解(SVD)的改进无迹卡尔曼滤波算法。建立锂电池的数学模型,通过带遗忘因子的最小二乘法(FFRLS)得到电池模型参数,将辨识出的模型参数实时导入改进UKF算法中,估计锂电池的荷电状态,并与UKF进行比较。在DST工况下,通过仿真实验可知,与UKF相比,SVD-UKF算法的AAE降低3.29%,RMSE降低3.78%。实验结果表明,改进算法的SOC估算精度和自适应性能更高。

用四元数状态切换无迹卡尔曼曼滤滤波器估计的飞行器姿态

在较大初始姿态误差角下,针对捷联惯导/CCD星敏感器(strap-intertial navigation system/CCD star sensor,SINS/CCD)姿态估计系统扩展卡尔曼滤波(extended Kalman filter,EKF)算法精度下降的问题,提出了基于四元数的状态切换无迹卡尔曼滤波算法.通过状态实时切换降低了全维无迹卡尔曼滤波(unscented Kalman filter,UKF)的维数,减小了计算复杂度,提高了系统的实时性.文中采用基于特征向量求解的代价函数法计算四元数均值避免了UKF算法中四元数规范化的限制;利用乘性误差四元数表示姿态更新点与估计点之间的距离,解决了四元数协方差阵奇异性问题.仿真实验结果表明:与EKF相比,该算法在精度上有较大提高;与全维UKF算法和修正罗德里格斯参数UKF算法相比,该算法精度相当但估计时间均有不同程度的减少.

基于双无迹卡尔曼滤波的自动驾驶状态惯性监测

自动驾驶的完成需要设计合适的线控转向系统。为了能够对车辆动力惯性参数开展非线性评价,开发了一种分布结构驱动力电动汽车双无迹卡尔曼滤波(Dual unscented Kalman filter,DUKF)方法与状态观测系统联合系统车辆惯性监测方法。在分布结构驱动电动汽车传感器中,除了具备传统传感器惯性量参数如质心横摆角速度、纵向和侧向加速度以外,还可以提供轮毂电机传感器进行车轮角速度测试。研究结果表明:采用DUKF方法观测数据比DEKF方法更加符合实际情况,促进观测精度的显著提升。本研究有助于提高自动驾驶状态惯性监测能力,对自动驾驶技术的提高有一定的理论支撑意义。

基于平方根无迹卡尔曼滤波的锂电池状态估计

在充电式混合动力电动汽车(plug-in hybrid electric vehicle,PHEV)和电动汽车(electric vehicle,EV)中,对电池进行精确、可靠的荷电状态估计(state of charge,SOC)非常重要。传统估计方法存在计算量大、估计不精确等缺点,提出一种平方根无迹卡尔曼滤波(square root unscented Kalman filter,SRUKF)算法对SOC进行实时估计及更新。利用无迹变换(unscented transformation,UT)精确估计系统方程的均值和协方差,使估算值达到二阶精度。利用平方根算法保证状态协方差的半正定性,提高数字计算的稳定性。通过实验对比,验证了该算法的有效性。结果表明,该方法可使状态估计值具有较小的误差和快速跟随性,满足了SOC估计的实际需求。

无迹卡尔曼滤波及其平方根形式在电力系统动态状态估计中的应用

针对扩展卡尔曼滤波(extended Kalman filter,EKF)的不足,将不需要对非线性系统函数进行线性化的无迹卡尔曼滤波(unscented Kalman filter,UKF)方法引入电力系统动态状态估计,采用生成Sigma点数量最少的比例最小偏度单形采样策略进行无迹变换。以IEEE 14系统为算例,仿真结果表明引入UKF后,估计结果的精度有所提高,但算法的效率较低,且数值稳定性较差。进一步引入平方根形式的UKF(square root UKF,SRUKF)模型,IEEE 14及IEEE 30测试系统的仿真结果证明:在不需要大量牺牲计算时间的同时,算法的数值稳定性得到了改善。表明SRUKF的引入对动态状态估计方法的改进是有效的。

基于无迹卡尔曼滤波的轮毂电机驱动车辆状态观测

针对车辆质心(CG)侧偏角和轮胎附着力等参数无法用传感器直接测量得到的情况,本文设计了一种基于无迹卡尔曼滤波的车辆状态观测器。该方法考虑了车辆运行工况变化时的非线性因素,引入了非线性动态轮胎模型来提高轮胎侧向力的估算精度。与动力学软件AMESim建立的参考模型进行了对比仿真,仿真结果表明:本文建立的观测器能够准确估算出轮毂电机驱动汽车的状态参数。

基于自适应无迹卡尔曼滤波的分布式驱动电动汽车车辆状态参数估计

以精确估计车辆状态参数为目标,提出了一种基于自适应无迹卡尔曼滤波的车辆状态参数估计算法,采用非线性三自由度车辆模型,将模糊控制与无迹卡尔曼滤波算法相结合,实现对系统测量噪声的自适应调整,通过对方向盘转角,纵向加速度和横向加速度等低成本传感器信息融合实现对质心侧偏角和横摆角速度的状态估计.应用CarSim与Matlab/Simulink建立分布式驱动电动汽车整车模型并且联合仿真对估计算法的有效性进行验证.结果表明自适应无迹卡尔曼滤波比无迹卡尔曼滤波更能有效准确地进行车辆状态参数估计,在双移线工况中,质心侧偏角估计精度提高了6.7%,横摆角速度估计精度提高了4.8%.