基于自适应渐消扩展卡尔曼滤波的锂离子电池SOC估计

电池荷电状态(SOC)的准确估计对于电动汽车动力电池的管理至关重要,而电动汽车在实际运行时经常会遇到SOC数据突变的问题,同时所建立的电池模型和噪声模型也存在一定误差,这导致传统扩展卡尔曼滤波算法在SOC估算过程中自适应性和鲁棒性较差。针对这些问题,本文提出使用自适应渐消扩展卡尔曼滤波算法(AFEKF),应用于锂离子电池的SOC估计。引入渐消因子对系统噪声协方差进行自适应迭代,从而实时更新最优卡尔曼增益,减少数据突变和电池模型误差等因素带来的影响,通过在复杂工况下的实验对比可知,AFEKF相比于标准EKF(extended Kalman filter),新欧洲驾驶循环工况下SOC估算精度提高0.78个百分点,变电流工况下估算精度提高0.5个百分点,同时在电池SOC初始值不准确的情况下能更快更平稳地收敛到真实值,表明AFEKF算法相比EKF估算SOC具有更高的估算精度和更好的鲁棒性。

自适应扩展卡尔曼滤波器在移动机器人定位中的应用

针对移动机器人定位过程中存在的误差积累问题,提出了采用自适应扩展卡尔曼滤波算法(AEKF).分析了扩展卡尔曼滤波(EKF)和AEKF两种算法,AEKF取采样时刻的各项泰勒级数,并利用Sage-Husa时变噪声估计器实时估计观测噪声,克服了线性化误差,增强了环境适应性;同时,对AEKF的收敛性及运算复杂度进行分析,并结合算法实验表明AEKF具有良好的速度精度综合性价比;最后对比分析两种算法实现机器人定位的效果并实验完成误差对比.结果表明AEKF具有更优的定位性能.

改进粒子群算法优化扩展卡尔曼滤波器电机转速估计

针对感应电机扩展卡尔曼滤波器转速估计中难以取得卡尔曼滤波器系统噪声矩阵和测量噪声矩阵最优值的问题,提出了一种基于改进粒子群算法优化的扩展卡尔曼滤波器转速估计方法。算法通过融合遗传算法和粒子群算法的优点,采用可调整的算法模型对粒子群算法进行改进,将改进的粒子群算法对扩展卡尔曼滤波器中的系统噪声矩阵和测量噪声矩阵进行优化处理,将优化后的卡尔曼滤波器应用于感应电机转速估计。仿真实验表明,与试探法、标准粒子群算法及遗传算法比较,改进粒子群算法优化的扩展卡尔曼滤波器能够有效提高转速估计的精度,从而提高无速度传感器矢量控制系统的控制性能。

基于自适应扩展卡尔曼滤波器的永磁同步电机超低速控制

在使用低精度编码器的条件下,为获得永磁同步电机良好超低速控制性能,提出了一种适用于宽转速、高噪声环境下,获得伺服驱动系统瞬时转速、角位移和等效负载转矩的在线估计方法。通过构建基于扩展卡尔曼滤波器的最优状态估计器,在线辨识系统转动惯量及迭代更新估计器系数矩阵,实现了准确、实时和稳定的状态估计。仿真和试验结果表明,该算法可获得良好的低速控制性能,并对环境噪声和系统建模误差具有良好的鲁棒性。

基于模糊自适应扩展卡尔曼滤波器的锂电池SOC估算方法

精确的锂电池荷电状态(SOC)在线估算可以有效地延长电池使用寿命,提高电池的安全性,对于电动汽车电池管理系统(BMS)而言至关重要。针对自适应扩展卡尔曼滤波(AEKF)算法运行初期收敛速度缓慢问题,该文提出模糊AEKF(FAEKF)算法可以改善收敛速度。以NCR18650B型三元锂电池的实际端电压与预测端电压差值的绝对值及其变化率作为模糊输入,以卡尔曼滤波器的系统测量噪声R作为模糊输出,通过对R进行模糊控制来调节算法在迭代过程中的增益K,进而实现收敛速度的模糊调节。实验结果表明,在0.5C倍率恒流放电工况和动态应力测试工况(DST)条件下,改进的算法相比于扩展卡尔曼(EKF)和AEKF算法,在不降低估算精度的情况下能够明显地提高收敛速度,在SOC在线估算中更具有实用性。

基于扩展卡尔曼滤波器的四元数车辆姿态解算算法研究

测量车辆姿态可以实时跟踪车辆行驶信息,并通过远程发送车辆姿态信息的方式,实现对车辆实时的监控。结合车辆姿态测量只考虑俯仰角和横滚角的特殊性,通过MPU6050芯片采集角速率和加速度数据,采用基于扩展卡尔曼滤波器的四元数车辆姿态解算算法,实现对车辆姿态信息的获取。通过采集数据进行MATLAB仿真验证,结果表明该算法能提高姿态测量精度和系统稳定性。

基于自适应插值扩展卡尔曼滤波的永磁同步电机状态估计

PMSM无传感控制的转速与转子位置估计对系统至关重要,扩展EKF算法作为无传感控制技术被广泛应用在工业领域。但是EKF算法在系统线性化过程中产生截断误差,对于高度非线性模型无法得到精确估计值。为减小EKF算法因非线性问题而造成的误差,文中提出了一种基于AIEKF状态估计法。该方法以量化状态方程的非线性程度为依据,通过添加伪状态值减小EKF算法线性化中产生的误差对估值精度的影响,从而降低系统在线性化过程引起的误差。仿真计算结果表明,AIEKF较EKF的截断误差平均降低了55.6%。

高频信号扩展卡尔曼滤波器设计

为了实现永磁同步电动机转子位置估计试验的高频信号滤波,基于扩展卡尔曼滤波器原理,提出了一种改进的基于FPGA的信号提取方案,设计了高频信号扩展卡尔曼滤波器。该滤波器采用迭代算法提取转子位置信息,并对基频控制电流进行滤波处理,比传统IIR滤波器或FIR滤波器具有更快的滤波速度和更好的滤波性能。该滤波器简单易实现,消除了反馈回路中的低通滤波器。由于反馈回路中没有高频信号成分的干扰,控制器对高频位置估计的影响较小,所设计的位置估计器几乎不受控制器的影响,简化了位置估计器的设计。最后,仿真结果说明文中方法的可行性,并给出了一个基于EKF的低速无传感器试验。

扩展卡尔曼滤波与遗传算法结合的车辆状态估计

针对汽车状态估计过程中噪声的统计特性难以确定的特性,提出一种遗传算法与扩展卡尔曼滤波相结合的车辆状态观测器,对车辆状态进行估计。以车辆非线性动力学模型为基础,使用扩展卡尔曼滤波对车辆的横摆角速度、质心侧偏角和纵向速度等状态参数进行估计的同时,结合在遗传算法中构建的适应度函数,实现对噪声自适应寻优,降低噪声的影响。利用Matlab/Simulink与Carsim仿真软件对所提方法进行验证,并与扩展卡尔曼滤波算法进行对比。结果表明:与扩展卡尔曼滤波相比,该改进的算法有效提高了对横摆角速度、质心侧偏角以及纵向速度估计的精确度,给车辆提供准确的状态信息的同时,利于保障车辆的稳定性。

遗传算法优化的扩展卡尔曼滤波感应电动机速度估算

基于扩展卡尔曼滤波器(EKF)的电动机速度估算器,通常采用试错法来对EKF的噪声矩阵进行试验调整,这样造成EKF估算器具有效率低和估算精度不高的问题。研究使用遗传算法(GA)来优化EKF,得到最佳噪声矩阵。在感应电动机直接转矩控制(DTC)的Simulink仿真中,使用最佳噪声矩阵参数的EKF来估算电动机速度,得到了较好的估算效果。

基于遗传算法优化的定子磁链扩展卡尔曼估计方法

定子磁链估计的精度直接关系到异步电机直接转矩控制(DTC)的控制效果,本文提出了一种基于扩展卡尔曼滤波器(EKF)的定子磁链观测方法,该方法选取DTC反馈通道中多个主要参数作为状态变量进行联合滤波估计,为保证EKF算法滤波参数的准确性,采用遗传算法(GA)对EKF中的系统噪声矩阵和测量噪声矩阵进行了优化处理。通过使用该方法设计的磁链观测器与DTC构成闭环系统进行仿真实验表明,滤波参数优化后的EKF算法更加有效地提高了磁链估计精度,从而提高DTC系统的低速控制性能。

直角坐标系下的水下被动目标跟踪自适应卡尔曼滤波算法

针对纯方位被动目标跟踪中,直角坐标系下的扩展卡尔曼滤波器容易发散,导致滤波精度很差的情况,文章中提出了一种直角坐标系下自适应卡尔曼滤波算法,对虚拟噪声进行了估计,动态补偿观测模型的线性化误差,削减系统的观测误差,并对其滤波理论及其算法进行了研究和仿真,结果表明,该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法。

基于智能算法优化卡尔曼滤波器的电机转速估计

针对感应电机扩展卡尔曼滤波器转速估计中难以取得卡尔曼滤波器系统噪声矩阵和测量噪声矩阵最优值的问题,提出了一种基于改进粒子群算法优化的扩展卡尔曼滤波器转速估计方法。算法通过融合遗传算法和粒子群算法的优点,采用可调整的算法模型对粒子群算法进行改进,将改进的粒子群算法对扩展卡尔曼滤波器中的系统噪声矩阵和测量噪声矩阵进行优化处理,将优化后的卡尔曼滤波器应用于感应电机转速估计,仿真实验表明,与试探法、标准粒子群算法及遗传算法比较,改进粒子群算法优化的扩展卡尔曼滤波器能够有效提高转速估计的精度,从而提高无速度传感器矢量控制系统的控制性能。

基于自适应卡尔曼滤波器的锂电池SOC估计策略

针对卡尔曼滤波(KF)估计SOC过程中噪声的统计特性与实际不符时,滤波精度严重降低问题,为提高SOC估计精度,在二阶RC电池等效电路模型的基础上,提出一种自适应扩展卡尔曼滤波算法(AEKF),通过自适应协方差匹配算法对系统噪声协方差和测量误差协方差进行实时更新,有效解决了滤波参数设置不合理所造成的SOC偏差,实现了系统状态的最优化预测。利用MATLAB进行仿真比较,验证了新算法能够精确地估计SOC,对环境具有一定的适应能力,可以有效校正SOC初值,并降低累积误差和噪声干扰。

一种限定记忆的自适应扩展Kalman滤波器

为解决扩展卡尔曼滤波器(EKF)鲁棒性差,且无法实时精确跟踪系统突变状态的问题,研究一种基于限定记忆滤波的自适应EKF算法。算法将EKF与限定记忆滤波器相融合,减小旧量测数据对滤波效果的影响,提高估计精度;引入自适应因子与渐消因子,通过实时调节新旧滤波增益阵以及预测状态值,精确地跟踪系统突变状态。仿真实例表明,强跟踪算法与经典EKF算法相比,自适应EKF算法鲁棒性好,滤波精度高,能够有效地跟踪系统突变状态。

卡尔曼滤波器参数分析与应用方法研究

介绍卡尔曼滤波器及其各种衍生方法。首先给出卡尔曼滤波器的算法流程以及所有参数的含义,并对影响滤波效果的五个主要参数进行了讨论。然后通过仿真实验研究不同的参数取值对于卡尔曼滤波的影响。最后总结在不同应用场景下使用卡尔曼滤波器的宗旨和要点。

基于强跟踪滤波器的改进非线性自适应观测器

对基于强跟踪滤波器的非线性自适应观测器(nonlinearadaptiveobserver,NAO)的收敛性进行了分析,给出了NAO局部渐近收敛的充分条件。提出了一种改进非线性自适应观测器(modifiednonlinearadaptiveobserver,MNAO)算法。MNAO在具有强跟踪特性的同时对输出测量中的坏数据有较强的鲁棒性。为了降低对初始误差的敏感性,采用一种强跟踪扩展卡尔曼观测器算法启动MNAO。数值仿真示例显示了本方法的有效性。

混沌野草扩展Kalman滤波器辨识六维力传感器下E膜模型参数

为解决动载环境下噪声污染导致六维力传感器测量精度急剧下降,以及扩展卡尔曼滤波器难以获得最优系统干扰矩阵的问题,提出了一种基于混沌野草算法优化的扩展卡尔曼滤波(CIWO-EKF)算法。根据挠度与应变之间的关系,构建了六维力传感器下E膜非线性模型。基于野草繁殖算法,以前6阶主振型信息构成的系统干扰阵为均值进行高斯采样,产生初始化的可行解。将混沌搜索技术与野草算法相融合,利用野草算法进行全局搜索,通过混沌序列对群体中适应度高于平均值的个体执行给定步数的局部搜索,指导种群向最优解方向逼近,避免搜索过程陷入局部最优。采用改进的野草算法对扩展Kalman滤波中的系统干扰矩阵进行优化处理。仿真实例表明,改进扩展卡尔曼滤波器在提高六维力传感器测量精度的同时,可以保持较好的稳定性和鲁棒性。

引入PID反馈的SHAEKF算法估算电池SOC

电池荷电状态(SOC)的估算精度是电动汽车电池组的重要指标。为提升SOC估算精度,在融合Sage-Husa扩展卡尔曼滤波(SHEKF)算法与自适应扩展卡尔曼滤波(AEKF)算法的基础上,增加比例积分微分(PID)反馈环节,形成改进算法。采用粒子群优化(PSO)算法对二阶RC等效电路模型进行参数辨识;用开源电池数据集对模型和算法进行实验和分析。改进的SHAEKF算法在电池动态应力测试(DST)、北京动态应力测试(BJDST)和美国联邦城市驾驶(FUDS)等工况下的平均估计误差都在1%以内,与单纯的融合算法SHAEKF算法相比,最大误差可减小5%。

一种基于抗差自适应的交互式多模型定位算法

针对无线传感器网络研究中距离信号传播过程存在的非视距现象,假定无线网络中的视距和非视距信道切换是一种具有两种状态的马尔可夫过程,提出了一种基于抗差自适应的交互式多模型算法,基于蜂窝网络到达时间和信号衰减值,利用抗差自适应扩展卡尔曼滤波器平衡交互式多模型中马尔可夫链的模式信任平衡,得到蜂窝网络中相应基站和移动站之间的平滑距离。仿真结果表明,在相同程度的非视距效应的环境下此算法具有良好的定位精度和稳健性,相较于基本交互式多模型算法其定位精度可提升15%以上,且随着非视距效应程度加深,其定位精度可提升至25%。