自适应平方根球型无迹卡尔曼滤波算法

针对传统无迹卡尔曼滤波器存在跟踪精度低、数值稳定性差、鲁棒性弱等缺点,提出了一种基于球型无迹变换的自适应平方根UKF滤波算法(Adaptive Square Root UKF Filtering Algorithm Based on Spherical Unscented Transform,ASRS-UKF)。该算法在标准的平方根UKF算法上,首先改用了球型无迹变换对权系数以及sigma点进行计算选取;其次改进了平方根UKF中平方根矩阵的分解方法;同时在预测误差协方差矩阵中引入了自适应衰减因子。最后,通过将该算法同平方根UKF以及强跟踪UKF算法进行仿真对比,结果表明,ASRS-UKF算法在减少计算量、加快计算速度的同时还提高了滤波精度和稳定性,而且对于系统模型匹配不佳的情况下,仍具有良好的跟踪性能。

基于SVD-SUKF的水下机器人电池SOC估计

荷电状态(SOC)的准确估计关系到水下机器人的电池使用效率与任务规划。针对传统SOC估计算法存在的准确性、稳定性和鲁棒性不足等问题,提出一种奇异值分解增强的球型无迹卡尔曼滤波(SVD-SUKF)SOC估计算法。建立2阶Thevenin电路模型,并使用遗忘因子递推最小二乘法对模型参数进行在线辨识;在无迹卡尔曼滤波算法的基础上引入球型无迹变换和奇异值分解,避免繁琐的调参过程、减少算法计算量以及解决算法的协方差矩阵非正定问题;采用城市道路循环工况对SVD-SUKF算法进行验证。结果表明:SVD-SUKF算法收敛速度较快,平均绝对值误差为0.006 8、均方根误差为0.005 6,算法相较于扩展卡尔曼滤波和无迹卡尔曼滤波有更高的估计精度、更好的稳定性和更强的鲁棒性。

基于改进UKF算法的锂电池SOC精准估算

针对准确估算电池荷电状态(SOC)值存在着很多难点,且目前无迹卡尔曼滤波法(UKF)存在稳定性差,精度不高的问题,提出改进的UKF算法。加入球型选点规则,降低噪声对仿真的影响,实现非线性条件下锂电池SOC的准确估算。仿真结果表明:改进的UKF估算锂电池SOC时误差控制在1%以内,而扩展卡尔曼滤波法(EKF)和标准UKF的估算误差分别为4%和2%。在以Thevinin电池模型的基础上对锂电池SOC进行估算,改进的UKF算法的估算精度明显高于EKF算法和标准UKF算法。