自适应渐消扩展Kalman粒子滤波方法在组合导航中的应用

针对粒子滤波存在的权值退化问题,从研究粒子滤波的建议分布函数出发,提出自适应渐消扩展Kal-man粒子滤波方法。该方法使用自适应渐消扩展Kalman滤波产生建议分布,可在线调节参数,从而使得系统具有更好的自适应性和鲁棒性。与用转移先验、扩展Kalman滤波产生建议分布的粒子滤波方法相比,自适应渐消扩展Kalman粒子滤波进一步提高了粒子滤波的精度。

基于自适应扩展Kalman滤波的路侧多传感器融合

路侧感知是云控车路协同感知的组成部分。为提升路侧传感器的感知精度和稳定性,该文提出了一种基于量测噪声自适应扩展Kalman滤波器(AEKF)的路侧多传感器融合方法。基于路侧相机、激光雷达、毫米波雷达的感知结果,实现了异质传感器目标级数据的融合。采用一种量测噪声在线获取方法,检测了传感器测量值的稳定性,生成了量测噪声的修正系数,自适应调整了量测噪声;经过了实车试验。结果表明:相较于单传感器,采用该多传感器融合方法使横向距离估计精度提高9.7%,纵向距离估计精度提高5.4%,速度估计精度提高26.6%;由于该算法的横向距离估计精度提高44.9%,纵向距离估计精度提高21.3%,速度估计精度提高64.4%;因此,该文AEKF算法的估计精度高于传统扩展Kalman滤波算法(EKF)的精度。

多旋翼姿态解算中的改进自适应扩展Kalman算法

提出了一种改进的Sage-Husa自适应扩展Kalman滤波算法,用于保证多旋翼无人机在噪声统计特性未知且时变、振动为主要扰动源、姿态角高动态变化等飞行条件下飞行姿态角解算的精度与稳定性。该算法采用微机电系统陀螺仪实时动态解算的姿态角方差估计系统噪声方差;并采用自适应滤波算法在线估计量测噪声方差,从而保证滤波的精度与稳定性;同时引入滤波器收敛性判据,结合强跟踪Kalman滤波算法来抑制滤波发散。飞行实验与分析表明:改进算法解算的俯仰角与横滚角均方根误差分别为1.722°和1.182°,明显优于常规的Sage-Husa自适应滤波算法。实验还显示:改进的算法自适应能力强、实时性好、精度高、运行可靠,能够满足多旋翼无人机自主飞行的需要,若对参数进行适当修改,还可应用于其它动态性能要求较高的导航信息测量系统中。

采用自适应Unscented Kalman的粒子滤波

针对粒子滤波的粒子退化问题,使用自适应UKF进行重点采样。该方法使用自适应因子调整Unscented Kalman滤波的观测信息与动力学信息之间的权比,使滤波预测值的协方差更趋向真实值。与扩展Kalman滤波、自适应扩展Kalman滤波、Unscented Kalman滤波重点采样方法相比,自适应UKF重点采样进一步提高了粒子滤波的精度。

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%。

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。

基于自适应扩展卡尔曼滤波法的储能电池荷电状态估计研究

荷电状态估计是储能电池管理的一项重要指标。目前工程上广泛使用的安时积分法虽然简单,但是存在诸多局限性。为了提高电量估算的精度和速度,同时考虑实际应用需求,针对储能电池开展了基于自适应扩展卡尔曼滤波(AEKF)法的荷电状态估计研究,以二阶Thevenin等效电路模型为基础,列写状态空间表达式,建立滤波器模型并根据实际情况对算法进行适当改进。仿真实验通过对比扩展卡尔曼滤波(EKF)法和AEKF方法,证实了AEKF方法的优越性。

自适应卡尔曼滤波器在车用锂离子动力电池SOC估计上的应用

进行了用自适应扩展卡尔曼滤波（AEKF）算法估计电动车用锂离子动力电池的荷电状态（SOC）的研究。基于混合脉冲功率特性（HPPC）试验，利用遗传优化算法改进Thevenin电路模型参数辨识方法，且从充放电两个方向来获得模型参数，然后在动态应力测试（DST）工况下对改进的模型进行仿真验证分析，基于改进的模型和联邦城市行驶工况（FUDS），应用AEKF算法开展SOC估计研究。仿真和台架试验结果对比表明，改进的Thevenin电路模型和AEKF算法均具有较高的精度，最大估算误差分别为1．70％和2．53％；同时AEKF算法具有较好的鲁棒性，可以有效地解决初始估算不准和累计误差的问题。

基于自适应卡尔曼滤波的电池荷电状态估算

提出基于自适应卡尔曼滤波(AEKF)的磷酸铁锂锂离子电池荷电状态(SOC)估算方法,以改进型新一代汽车合作计划(PNGV)等效电路模型为基础,提高SOC估算的稳定性和精度。在MVEG-A和FTP75工况下,相比于常规扩展卡尔曼滤波(EKF)算法,AEFK算法可实时估计未知噪声的均值和方差,误差率分别降低4.846%和3.672%,估算精度得到提高。

自适应UKF算法及其在GPS/INS组合导航中的应用

提出了一种自适应无迹Kalman滤波(UKF)算法.针对UKF受初始值误差和动力学模型异常扰动误差影响的问题,将自适应估计原理引入到UKF算法,将动力学模型信息对导航解的贡献进行合理调整.计算结果表明,在GPS/INS松组合导航系统数据处理时,UKF算法略优于扩展Kalman滤波(EKF),自适应UKF算法优于自适应EKF算法,自适应UKF算法能够很好地抑制动力学模型误差对导航解的影响,进一步提高导航解的精度和可靠性.

自适应扩展增量Kalman滤波方法

基于扩展增量Kalman滤波方法(EIKF)和自适应增量Kalman滤波(AIKF),建立自适应扩展增量Kalman(AEIKF)模型及其分析方法,给出递推算法.在许多实际情况(如深空探测),由于环境因素的影响、测量设备的不稳定性等原因,量测方程往往存在未知的系统误差,并且模型参数也具有不确定性,结果导致较大的Kalman滤波误差,影响滤波的收敛性.提出的AEIKF方法能够成功消除这种未知的系统误差,并能够实时估计变化的噪声统计量,提高Kalman滤波精度.该方法计算简单,便于工程应用.

基于自适应EKF算法的输出融合软仪表设计

在化工过程中,作为观测关键质量参数的重要手段,软仪表技术受到了广泛的关注。目前,关于软仪表的研究主要集中在建模技术上。然而,化工过程复杂多样,仅使用软测量模型进行质量变量的估计易出现预估效果不稳定、随机偏差大等现象。为此,文献提出了一系列的改进算法,但仍存在计算复杂、算法抗干扰能力差等问题。本文提出一种基于自适应扩展Kalman滤波(EKF)的输出融合软仪表设计方法,利用Kalman滤波算法对软测量模型预估数据和现场观测进行数据融合,校正软测量模型预估偏差;并在输出融合软仪表背景下,设计了一种含衰减因子的观测噪声统计估计器,将其与滤波算法相结合,构成自适应EKF算法,以提高融合软仪表的输出精度及抗干扰性能。通过仿真实验对所提出的算法进行了全面分析,并将该算法应用于小型实验装置,验证了算法的实用性及有效性。

基于AEKF的锌镍单液流电池SOC估计

提出一种基于自适应扩展卡尔曼滤波(AEKF)算法的锌镍单液流电池荷电状态(SOC)估计方法。建立二阶等效RC电路模型,并提出AEKF算法,对锌镍单液流电池进行参数辨识,再在不同的SOC初值情况下以14 A的电流进行恒流脉冲充放电实验,进一步验证AEKF算法。提出的AEKF算法能准确地估计SOC,估计误差小于2%,能在SOC初始值错误的情况下进行快速修正,具有较强的适应性。

基于Allan方差自适应算法的姿态解算

为解决MEMS姿态传感器的复杂噪声问题,设计使用一种基于Allan方差的自适应算法在线估计量测噪声方差。基于Allan方差递推公式组成自适应算法来追踪数据的方差值,采用欧拉角微分方程作为滤波的状态方程,通过对陀螺仪静态数据Allan方差分析得到陀螺仪的主要噪声参数用作滤波系统噪声方差,并将各个数据整合解算出姿态角。结果表明:自适应滤波算法比常规滤波方法解算的角度精度高,在噪声波动的环境条件下,自适应滤波算法实用性更好。

矿井无人驾驶单轨吊安全性能关键参数识别

单轨吊在复杂深部矿井环境的辅助运输系统中具有不可替代的作用,由于目前无法有效精确识别单轨吊的荷载质量和轨道坡度,直接影响了运输安全性能及能量高效利用。因此,笔者提出了矿井无人驾驶单轨吊安全性能关键参数识别方法。针对单轨吊结构特性和轨道运输特点,对具有强耦合关系的荷载质量和轨道坡度建立了纵向动力学模型;基于运行数据和带有动态遗忘因子的递推最小二乘算法(DFFRLS)对纵向动力学模型参数进行实时在线识别,实现荷载质量和轨道坡度的精准解耦;并基于解耦的纵向动力学模型和识别的模型参数,动态修正当前的荷载质量识别值,以消除误差,完成荷载质量的高精度识别;由识别的纵向动力学模型参数、运行数据,应用Sage-Husa自适应扩展卡尔曼滤波算法(AEKF)对系统噪声协方差和误差协方差进行动态更新,滤除环境噪声干扰,实时调节和修正当前轨道坡度值,保证轨道坡度识别的精准性。在多种工况下,仿真与实际应用表明,基于DFFRLS-AEKF方法的荷载质量识别值与实际值的误差在3.2%以内,运行轨道坡度识别值与实际值的误差在5.3%以内。该方法可实现无人驾驶单轨吊安全性能关键参数的实时精准获取,有效减少无人驾驶单轨吊安全事故的发生,显著提升无人驾驶单轨吊的能量高效利用。

新能源汽车锂离子电池组SOC-SOP联合估计算法

为了精确地估计新能源汽车锂离子电池组的状态,该文将串并联电池包中并联电池组简化为大单体,基于一阶阻容模型构建了电池包的等效电路模型。基于自适应扩展Kalman滤波(AEKF)和电池系统多约束算法构建了电池包的荷电状态-功率状态(SOC-SOP)双状态联合估计算法。该算法在精确估计SOC的基础上,考虑了电池多约束对其功率状态(SOP)影响,使电池组SOP算法能够精确地预测电池电流峰值,实现电池组精确SOP估计。结果表明:在模拟循环高速公路燃料经济性试验(HWFET)工况下,SOC估计值收敛后的最大绝对误差仅为2.7%;SOP估计值与日本电动车标准(JEVS)实验测试结果相同且平均相对误差小于3.5%。

大型风力发电机组线性二次型高斯最优控制策略

为优化额定风速下变速恒频风力发电机组的运行效能,使风力机既能最大化地捕获风能又能最小化随机风引起的疲劳载荷及功率波动,提出一种基于有效风速估计的自适应增益调度线性二次型高斯(gain schedule linear quadratic Gaussian optimal control,GS-LQG)最优控制策略。该控制策略以扩展Kalman滤波器(extended Kalman filter,EKF)估计出的平均有效风速作为增益调度变量,根据风电机组稳态工作点的变化,自适应调整控制器参数,使得在每个工作点都能实现最优控制。以1.5MW风电机组作为研究对象,对大范围变化风况激励下,风电机组响应情况进行了仿真研究,结果表明该控制策略可以实现准确的风速估计,并且相对于传统控制策略能够有效缓和传动链上转矩的波动,平滑输出功率,对改善风电的电能质量,延长机组使用寿命具有重要意义。

大型风力发电机组动态最优控制策略研究

针对额定风速以上变速恒频风力发电机组的运行优化问题,提出了一种基于有效平均风速估计的自适应增益调度线性二次型高斯(AGS-LQG)最优控制策略,通过扩展Kalman滤波进行有效平均风速估计,将此有效平均风速作为调度变量对控制器参数实施AGS,以适应系统稳态工作点的变化,从而可以实现多变量综合优化控制。以1.5MW变速恒频风力发电机组为研究对象,给出了大范围变化风况激励下反映机组运行情况的仿真曲线。仿真结果表明,相对于传统控制策略,所提出的AGS-LQG最优控制策略不仅稳定了风轮转速,平滑了输出功率,而且降低了变桨距机构的动作频率,缓和了传动链上的疲劳载荷,对于改善并网风力发电的电能质量、延长设备的使用寿命具有重要意义。

基于加速度信息的导航卫星轨控期间自主定轨方法

为了降低对地面测控站的依赖,提升导航卫星自身的自主运行能力具有重要意义。导航卫星在轨道控制期间,自主定轨误差将会产生重大偏差,为了能够快速恢复星历,提升导航系统的应用效率,针对导航卫星轨控期间的自主轨道确定技术进行了研究。首先,在传统的天文导航的基础上引入了加速度信息,然后根据加速度计测量以及估计误差判断,选择合适的时机在轨控期间对估计误差方差阵进行重置。仿真结果表明,基于加速度信息的自适应导航滤波算法,能够有效降低导航误差收敛时间,同时降低估计误差峰值。

提升低温下电池SOC估算精度的算法

针对低温环境下电池荷电状态(SOC)估算精度不高的问题,提出一种相应的电池SOC估算方法。在充分考虑模型适配与算法融合的前提下,在低温下对锂离子电池进行充放电测试,采用三阶RC等效电路模型进行参数辨识。利用自适应扩展卡尔曼滤波(AEKF)估算模型进行仿真分析,提升SOC估算精度,并与扩展卡尔曼滤波(EKF)算法进行对比。该算法在-20~0℃的低温区间,SOC平均估算误差在0.73%左右,相比于EKF降低了约5.6%。