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。

基于自适应无迹卡尔曼滤波算法的月壤参数估计

在月球低重力环境下,载人月球车的行驶稳定性会受到月壤参数影响和发生参数无法直接获取的问题,对此提出一种月壤参数估计算法。建立月球车行驶过程中轮壤模型并进行简化,设计基于自适应无迹卡尔曼滤波的估计器,通过车轮力实现月壤参数在线估计。在Adams/Simulink中搭建月球车动力学模型及估计算法模型,并进行联合仿真。仿真结果表明,设计的估计器能够较为准确地估计月壤参数。

变循环发动机自适应无迹卡尔曼滤波器设计

针对变循环发动机健康参数估计问题,设计了一种自适应无迹卡尔曼滤波器。该算法通过最大化后验密度函数来建立过程噪声协方差和测量噪声协方差的自适应更新方程,以改善传统无迹卡尔曼滤波器设计中先验参数需要根据经验来设置,进而导致滤波器性能受人为因素影响较大的问题。以带核心机驱动风扇级的变循环发动机为对象,进行了不可测参数估计仿真试验,对所设计的自适应无迹卡尔曼滤波器算法进行了仿真对比验证。结果表明:在单参数退化条件下,健康参数平均估计误差不大于2%;多参数退化条件下,健康参数平均估计误差不大于1.8%;该算法性能优于增广卡尔曼滤波器、传统无迹卡尔曼滤波器,相较于传统无迹卡尔曼滤波器性能提升9.5%。

基于双自适应无迹卡尔曼滤波算法的锂电SOC/SOH联合估计

合理准确地估算出电池荷电状态(SOC)与健康状态(SOH)对电动汽车安全运行和能量分配有重大意义。目前锂离子动力电池状态参数的研究中,很少考虑两个参数在估算过程中的相互影响;传统无迹卡尔曼滤波(UKF)算法在应用时,常因难以真实模拟实际噪声导致估算误差增大。针对这些问题,这里以电池Thevenin等效电路模型为基础,结合改进的AUKF,提出双自适应无迹卡尔曼滤波算法(DAUKF),实时更新计算模型参数,实现SOC与SOH的联合估算,提高算法的估算精度。最后通过实验及仿真对比,验证了该算法的可行性及估算精度。

基于自适应无迹卡尔曼滤波法的并联型电池系统SOC估计

荷电状态(SOC)是并联型电池系统安全运行和有效控制的关键状态参数之一。当电池系统噪声统计信息(如模型噪声和测量噪声)未知且时变,对于含多个不一致电池单体的并联型电池系统,其SOC的估计准确度往往受限。为此,首先介绍了一种基于模型参数校正器的并联型电池系统,以表征电池单体的不一致性。然后,提出了一种基于自适应无迹卡尔曼滤波法的并联型电池系统SOC估计算法,该算法是一种带噪声统计估计器的时变无迹卡尔曼滤波法。最后,通过与普通无迹卡尔曼滤波法和扩展卡尔曼滤波法的仿真及实验数据对比分析表明,所提出的SOC估计算法能有效、准确地进行并联型电池系统SOC估计。

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。

基于模型融合与自适应无迹卡尔曼滤波算法的锂离子电池SOC估计

为提高电动汽车动力电池SOC的估计精度,本文中对锂离子电池模型与参数辨识算法、自适应无迹卡尔曼滤波(AUKF)算法和基于电池模型融合的SOC估计算法进行研究。建立了具有明确物理意义的电池电路模型,采用基于遗传算法(GA)的模型参数辨识算法,设计了基于AUKF的电池SOC估计方法,并基于贝叶斯信息准则,提出了电池模型融合方法,实现了基于模型融合与AUKF的电池SOC估计。仿真结果验证了该方法具有较高的精度。

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%.

基于自适应无迹卡尔曼滤波的动力电池健康状态检测及梯次利用研究

准确估计动力锂离子电池组内各单体电池的荷电状态(SOC)和健康状态(SOH)对延长动力锂离子电池组使用寿命及梯次利用至关重要。该文以电池Thevenin二阶等效电路模型为基础,运用自适应无迹卡尔曼滤波(AUKF)算法对电池SOC和欧姆内阻进行实时估算,并根据欧姆内阻与电池SOH的函数对应关系,实时估算电池SOH。在两种不同工况下对电池做充放电实验,验证了该方法的可行性和准确性。并通过对锂离子电池组中各单体电池及电池组整体健康状态的估算,定位不合格单体电池,量化电池组的完好度,制定明确的电动汽车动力锂离子电池组的梯次利用方案,实现废旧动力电池的资源利用最大化。

基于自适应无迹卡尔曼滤波的锂电池SOC估计

锂电池荷电状态(SOC)的准确估算是制约电动汽车发展的关键技术之一。针对传统Kalman滤波算法因固定的噪声滤波初值不能够跟随工况变化致使SOC估算不准确的问题,基于PNGV模型建立状态空间方程组,将Sage-Husa自适应滤波算法融合到无迹卡尔曼滤波(UKF)算法之中,对噪声进行实时预测和修正,进而提高SOC的估算精度。仿真实验结果表明,AUKF比UKF的估算值更接近于理论参考值,AUKF解决了UKF因固定噪声带来的误差问题,可提高电动汽车启动、巡航、制动等复杂工况下的电池组电流剧烈变化中SOC的估算精度。

基于自适应无迹卡尔曼滤波算法的多股螺旋弹簧动态响应模型参数辨识和分析

针对传统方法在辨识多股螺旋弹簧(以下简称多股簧)非线性响应模型参数时效率较低、精度较差的问题,提出带噪声统计估计器的自适应无迹卡尔曼滤波(AUKF)算法。该算法通过对多股簧试验数据中的量测(过程)噪声进行递推和估计,能够确保非线性模型参数辨识的收敛性;结合多股簧动态试验对该算法进行检验。研究结果表明:即使在量测噪声级别较高的情况下,AUKF算法也可以准确地求出多股簧的动力学模型参数;在预测多股簧动态响应过程中,若预测振幅和参数辨识所用振幅相差太大则会导致较大的预测误差;当加载速度变化时,多股簧动力学模型中的迟滞部分参数基本不变,但0阶非线性刚度系数和非线性放大因子变化较大。

基于改进自适应无迹卡尔曼滤波的国产民机导航数据滤波算法

针对国产民用飞机导航数据存在杂波不能准确测量的问题,提出一种基于改进自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法的导航数据滤波方法。将无迹卡尔曼滤波(unscented Kalman filter,UKF)与改进Sage-Husa次优无偏极大后验噪声估计器结合构造出改进AUKF,有效解决了在模型不确定或干扰信号统计特性不完全得知的情况下,滤波精度低甚至发散的问题,同时与维纳滤波器和小波阈值法滤波效果进行对比。选择ARJ21飞机实际运行的高度、经度及纬度数据进行仿真。结果表明:改进后的AUKF算法较其他滤波算法精度更高,有效提高了导航数据的可靠性。研究对提高国产民机导航定位精度具有重要意义。

基于GNL模型自适应无迹卡尔曼滤波的电动汽车荷电状态估计

随着电动汽车的高效发展,逐年递增的退役动力电池回收利用已刻不容缓,对电池进行精确、可靠的荷电状态(SOC)估计是实现电池梯次利用的关键技术。传统估计方法均未考虑对老化电池影响较高的自放电因素,因此采用在二阶RC模型基础上考虑了自放电因素的GNL电路等效模型,通过脉冲放电对模型参数进行辨识。对相应的状态空间方程利用矩阵二次型方法进行离散化,并利用自适应无迹卡尔曼滤波算法对荷电状态进行实时估计及更新。在间歇恒流和变电流工况下以老化电池为实验对象对算法进行了对比验证,结果表明双卡尔曼滤波法在初值估计不准确时不能及时收敛到荷电状态真值附近并跟随,基于二阶RC模型的自适应滤波算法估计的误差在工况后期较大,基于GNL模型的自适应滤波算法对老化电池的估计精度较高,误差在0. 5%之内。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,满足了荷电状态估计的实际需求。

基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。

基于自适应无迹卡尔曼滤波QAR数据降噪研究

针对QAR数据包含离群值、噪声值等异常数据严重影响数据分析的问题,提出了一种自适应无迹卡尔曼滤波的数据降噪方法。利用改进拉依达准则剔除粗大误差数据,以无迹卡尔曼滤波为基础,结合Sage-Husa噪声估计器对系统噪声进行实时预测和修正,有效地解决了系统噪声时变的问题。利用空客A330飞机的数据样本对算法有效性进行了数值验证,仿真结果表明,自适应无迹卡尔曼滤波算法估计精度更高,降噪效果更优。研究可提高基于QAR数据分析与挖掘工作的数据质量。

基于自适应无迹卡尔曼滤波的锂电池SOC估计

荷电状态(SOC)是电动汽车电池管理系统的重要组成部分,SOC的准确估计可以有效降低电池的成本,提高电池的利用效率。为解决扩展卡尔曼滤波算法(EKF)中噪声协方差对SOC估计精度的影响问题,采用噪声协方差实时更新自适应无迹卡尔曼滤波算法(AUKF)对电池SOC进行准确估计。对锂电池开展充放电实验,进行离线参数辨识,得到锂电池二阶RC等效电路模型参数。通过建立电池SOC与开路电压、电池模型参数之间的函数关系,利用Matlab/Simulink仿真验证了等效电路模型的正确性。基于验证的二阶RC电路模型采用AUKF和EKF两种算法对实际工况下的单体锂电池SOC进行估计,最大估计误差分别为0.0114、0.0176,平均误差分别为0.0062、0.0079。结果表明AUKF解决了EKF在复杂工况下估算精度较低的问题。

基于自适应无迹卡尔曼滤波的锂电池荷电状态估计

锂电池的SOC是新能源汽车电池管理系统的重要参数,对新能源汽车的安全运行起着重要作用。针对因系统噪声特性未知导致传统UKF算法对电池SOC估计精度不高的问题,提出了可以保证系统噪声协方差矩阵非负定性和对称性的改进Sage-Husa自适应滤波算法,并将改进的Sage-Husa自适应滤波算法与UKF结合形成一种新的AUKF算法。AUKF在估计电池SOC的同时,对系统噪声特性进行估计和修正,从而提高SOC估计精度。在FUDS工况下对AUKF进行验证,并将SOC估计结果与UKF对比。实验结果表明,AUKF具有更高的估计精度和稳定性,验证了该算法的有效性。

动力定位中跟踪环境力突变的自适应无迹卡尔曼滤波（英文）

无迹卡尔曼滤波可以在状态估计中滤去噪声干扰,已经被广泛应用于动力定位系统中。针对复杂海洋情况下动力定位系统需要准确、及时地估计当前时刻的状态而无迹卡尔曼滤波无法跟踪状态突变的问题,为此文章提出了一种自适应无迹卡尔曼滤波。通过及时判断状态值突变并适当调整后验均方差矩阵,可有效地跟踪船舶状态并减小实际位置与定点位置的偏差。仿真实验证明了算法的有效性。

自适应无迹卡尔曼滤波动力电池的SOC估计

无迹卡尔曼滤波法(Unscented-Kalman Filter,UKF)在估计动力电池的剩余容量(State of Charge,SOC)时,由于系统噪声的不确定,可能导致算法不收敛,而且算法的估计性能受模型精度的影响,为此采用自适应无迹卡尔曼滤波法(Adaptive-UKF,AUKF)动态估计电动汽车动力电池的SOC.建立了适用于SOC估计的电池模型,辨识相应的电池模型的参数并进行验证,将AUKF应用到该模型,在未知干扰噪声环境下,在线估计电池的SOC.试验仿真结果表明:UKF算法的估计误差在-0.04~0.06之间跳动,而AUKF算法的估计误差平稳的保持在0.05以内,实时修正微小的模型误差带来的SOC估计误差.

基于改进自适应无迹卡尔曼滤波的锂电池SOC估计

针对传统无迹卡尔曼滤波算法在估计电池荷电状态中存在收敛速度较慢、容易发散等问题,提出了一种改进的自适应无迹卡尔曼滤波算法,该算法在传统无迹卡尔曼滤波算法基础上引入了衰减因子和自适应调节因子,提高估计精度和收敛速度。以二阶RC模型为基础,运用最小二乘法对模型参数进行辨识,采用基于UT变换的自适应无迹卡尔曼滤波器算法实现对锂电池SOC的估计。搭建锂电池充放电试验平台,测试试验结果表明,该算法对锂电池SOC估计精度小于1%,在估计精度及收敛速度上均优于传统无迹卡尔曼滤波算法。