电池储能系统SOC神经网络融合估计方法

为了更好地获取电池储能系统当前的运行状态,提出了基于神经网络融合的电池储能系统SOC估计方法.首先,对比分析了前馈(BP)、门控循环单元(GRU)和长短时记忆(LSTM)神经网络算法的优劣,BP计算时间较短,LSTM对时序数据估计精度较高;然后,利用KL散度、皮尔逊相关系数和灰色关联度分析了不同输入参量和SOC的相关程度,并和LSTM估计结果相比对,筛选出对电池储能系统SOC影响较大的特征参量;最后,应用经验模态分解算法将SOC数据分解为多个分量,利用样本熵将分量聚合为高低两个频段,进而应用BP、LSTM神经网络算法分频段估计,和单一策略相比,该方法在提高SOC估计精度的同时,减少了计算时间.

考虑环境温度影响的超级电容SOC加权融合估计方法

超级电容荷电状态(SOC)的准确估计,直接决定了电动汽车的起动、爬升和加速性能,是电动汽车混合储能系统最重要的任务之一。为此,本文中提出了一种基于模糊熵加权融合的超级电容SOC估计方法。首先,利用粒子群算法辨识了-10、10、25和40℃下的戴维南模型参数,并且采用最近邻点法建立了其与温度之间的映射关系。然后,利用模糊熵设计了基于3种典型卡尔曼滤波的SOC加权融合估计方法。最后,选择自适应加权平均以及残差归一化加权融合的SOC估计方法用于进一步评估该方法的性能表征。结果表明,基于模糊熵加权融合的超级电容SOC估计方法能够提高超级电容SOC估计精度,尤其在高温环境(40℃)下提升效果更为显著。

多网络约束下NNS分布式融合估计器设计

针对节点量测增益衰减、节点能量受限与系统模型不确定3种网络约束下具有随机通信时滞和非固定丢包率的组网导航系统(NNS)分布式状态融合估计问题,将增益衰减程度描述为统计特性已知的随机变量,将模型不确定描述为系统矩阵中的乘性有色噪声,将减小能耗描述为降低节点数据传输率。分别在邻节点端和目标节点端引入2种不同的线性编码器以解决丢包与时滞问题。建立丢包率与同时传输信息的节点数目之间的函数关系,将邻节点在过去有限个时刻的量测值进行线性编码后再传输,以补偿丢包与降低传输率导致的信息损失。目标节点把在同一采样周期内获取的来自同一邻节点的多个量测值按时间戳进行线性编码,以解决通信时滞导致的信息多余。基于2次线性编码建立增广系统模型,设计最小方差意义下局部无偏估计器,利用最优矩阵加权融合法得到全局融合估计器,推导得到融合估计误差协方差收敛的充分条件及次优传输率。通过算例仿真验证所提算法的有效性。

基于有限存储空间的分布式传感器融合估计器

研究具有信息传输模型不确定性、随机时间延迟和数据丢包的网络化多传感器分布式融合估计问题。模型的不确定性刻画为系统矩阵中的非高斯非白噪声干扰,在远程处理中心处设置有限长度的存储空间用来存储各个传感器延迟到达的测量值。在最小方差原则下设计了一种利用测量值到达变量的最优常增益局部估计器,利用协方差交叉加权方法得到最优分布式融合估计器并推导得到使得估计器有界的条件。最后,通过某电源系统计算实例仿真验证所提融合估计器的有效性。

集中式与分布式鲁棒状态融合估计

研究不确定多传感器系统的鲁棒估计问题是多传感器融合估计理论的一个重要研究方向.本文以鲁棒滤波理论为基础,给出了不确定多传感器系统的多胞型描述模型,并利用LMI方法给出集中式鲁棒状态融合估计问题的解,证明了将集中式鲁棒融合估计转化为相同估计性能的分布式融合估计算法的条件.最后给出了分布式不确定多传感器系统的状态融合估计的一个算例.

分布式电驱动车车速及路面附着系数融合估计

基于纵向车速融合估计器,结合分布式驱动电动汽车的优势,采用多种估计方法,建立了路面峰值附着系数融合估计器,并进行了实车试验验证。结果表明,建立的基于双卡尔曼滤波技术的车速及路面峰值附着系数融合估计系统,扩大了路面峰值附着系数估计的适用工况范围,保证了纵向车速估计的精度。

面向移动传感器网络的自适应一致性融合估计方法

研究了具有时延和通信拓扑变换的移动传感器网络(MSN)分布式融合估计问题.结合无色信息滤波、自适应一致性算法并考虑通信时延而设计的基于自适应一致性的融合结构,提出了一种名为基于自适应一致性的分布式无色信息滤波(AC_DUIF)的分布式融合估计算法.以空中移动传感器网络跟踪移动目标为例,通过仿真验证了所提算法的性能.仿真结果表明,该方法能够在以分布形式提高网络中各节点对目标位置估计精度的同时,保证节点之间的一致性,并具备对网络通信延时的适应能力.

一种基于数据驱动传输策略的带宽受限的分布式融合估计器

针对无线网络化多传感器融合估计中存在的网络拥堵、传感器能量有限以及通信带宽有限的问题,本文以多传感器经通信网络组成的线性离散随机系统为研究对象,提出了一种基于数据驱动传输策略的带宽受限的分布式融合估计器,能够在降低传感器数据传输率的同时满足有限带宽的限制.在目标状态满足高斯性的前提下,给出了融合估计误差均方差一致有界的条件.最后通过算例仿真验证所提方法的有效性.

具有传感器增益退化、随机时延和丢包的分布式融合估计器

研究了具有传感器增益退化、模型不确定性、数据传输时延和丢包的网络化多传感器分布式融合估计问题,模型的不确定性描述为系统矩阵受到随机扰动,传感器增益退化现象通过统计特性已知的随机变量来描述,随机时延和丢包现象存在于局部最优状态估计向融合中心传输的过程中.首先,设计了一种局部最优无偏估计器,然后将传输时延描述为随机过程,并在融合中心端建立符合存储规则的时延–丢包模型,利用最优线性无偏估计方法,导出最小方差意义下的分布式融合估计器.最后,通过算例仿真证明所设计融合估计器的有效性.

汽车质心侧偏角融合估计方法

基于质心侧偏角的运动学与动力学估计方法,提出了一种新的质心侧偏角融合估计器。它有3个基于不同估计模型的卡尔曼子滤波器,分别独立估计横向车速,并作为初步估计结果送入主滤波器,主滤波器根据信息融合规则,对这些初步估计结果进行融合,得到全局融合估计结果,最后用它算出质心侧偏角。实车试验结果显示,相比于单一估计方法,融合估计器有更高的估计精度和对传感器信号偏差的鲁棒性。

应用于状态监测的多传感器融合估计

在状态监测的工程实际中,使用多个同类传感器进行在线测量可以得到更为准确的状态估计.但各传感器测量噪声会出现相关的情况,而且很难得到相关测量噪声的方差矩阵的精确值,测量系统往往是不确定的.本文根据系统测量将系统分解为确定和不确定扰动两部分,分别进行估计,然后将两者的融合估计结果相加得到了最优鲁棒的融合估计.针对确定部分,利用同类传感器的测量方差为Pei-Radman矩阵的特性,通过求解测量噪声方差矩阵的最大特征值得到了一种简便的最优融合估计算法,该算法避免了求解方差矩阵的逆的过程.针对不确定扰动部分,基于多胞型描述模型给出了线性矩阵不等式形式的鲁棒融合估计算法.

基于伪测量的分布式最优单步延迟航迹融合估计

融合中心如何处理无序局部数据,对分布式多传感器系统的运行品质至关重要.本文将系统中的局部估计转化为伪测量,将分布式融合估计转化为二级集中式融合估计.将所得的伪测量兼分布式融合估计算法与单步延迟的无序测量数据(out-of-sequence measurements,OOSM)最优滤波—A1算法进行组合,得出了分布式多传感器系统的最优单步延迟无序航迹(out-of-sequence tracks,OOST)估计算法,适用于航迹无序局部数据融合估计.该算法具有最优估计性能.

面向无人机高度融合估计的自适应S滤波方法

针对无人机采用单一传感器测量飞行高度不准以及易受干扰的问题,提出了基于自适应S滤波高度信息融合方法。首先针对各种测高传感器获取的原始数据中含有噪声问题,设计出一种自适应S滤波器。它先将信号经过广义S变换,然后统计对应时刻各个频率的能量幅值,根据不同频率在时间集合上的幅值能量总和,保留能量和占总能量97%的频率,经过S逆变换,从而有效剔除信号中的噪声。再对滤波后的数据进行集中式卡尔曼滤波,得到无人机的高度信息。仿真实验表明,经过自适应S滤波器去噪后融合的高度均方根误差是小波去噪后融合结果的26.3%,具有较高的精度。

多尺度递归融合估计在组合导航系统中的应用

多尺度递归融合估计是对多传感器系统进行的基于尺度的融合估计算法。利用小波变换中多尺度分析的思想,构造出多尺度动态模型,利用该模型对粗尺度上的状态估计值进行修正,递归获得最细尺度上基于全局测量值的最优估计值,该估计值是方差最小意义下的最优估计。将此算法应用于SINS/GPS组合导航系统中,仿真结果表明,应用该算法能取得较好的效果,获得了比仅在单一尺度上进行kalman融合估计更好的结果,有效地提高了组合导航系统的精度。

单传感器多尺度状态融合估计算法

该文在离散小波变换理论和动态多尺度系统理论的基础上,建立了一种基于单传感器的多尺度状态融合估计新算法。该方法利用离散小波变换,对Kalman滤波模型的状态方程和观测方程分别进行多尺度处理,构建多尺度Kalman滤波模型,充分利用状态估计和观测数据在不同尺度上的特征进行融合估计,获得了优于单尺度Kalman滤波及已有多尺度状态融合估计方法的处理效果。并利用Monte Carlo仿真验证该算法的有效性。

多传感器多尺度融合估计在组合导航系统中的应用

基于某一给定尺度上的动态系统和不同尺度上的观测系统建立了多传感器的多尺度融合估计模型及算法,并将此算法应用于GPS/INS 组合导航系统中,获得了比仅在单一尺度上进行估计更好的结果,有效地提高了组合导航系统的精度。

面向空间定位系统的分布式融合估计

针对网络化高精度测量定位中的测量规模大、通信约束复杂以及处理信号协同困难等问题,基于线性CCD的空间定位原理,研究带有交叉相关噪声和传输时滞的不确定网络化系统的信息融合估计问题。提出了一种基于Kalman滤波的分布式感知和集中式融合的估计方法,应用测量转换策略,采用两层加权融合理论,设计了最优加权融合估计方法。减轻了处理传输延迟的通信负担和计算复杂度,提高了抵抗噪声干扰的鲁棒性能,进而减少信息冗余,并保持较高的测量精度。实验部分验证了该方法的有效性。

基于Kalman滤波的多尺度融合估计新算法

将信号的多尺度分析方法与多传感器数据融合技术相结合 ,基于某一尺度上给定的状态模型和在不同尺度上拥有不同采样率的多传感器分布式动态系统 ,提出了一种新的基于Kalman滤波的多尺度融合估计算法 ;在最细尺度上获得了基于全局信息的融合估计值 ;计算机仿真验证了算法的有效性 .

全局最优信息融合估计算法(Ⅰ)

研究了全局最优融合估计算法 .研究结果表明 :全局最优估计的误差要小于局部估计的误差 。

面向节能的无线多传感器H_∞融合估计

研究了一类WSNs环境下具有能量约束的无线多传感器系统H∞融合估计问题.通过提出一种新的节能传输策略,即降低节点到融合中心的信息发送频率,将融合估计系统建模成一类离散时间周期系统.基于融合估计误差周期系统,采用李雅普诺夫稳定性理论和线性矩阵不等式技术,导出了能量受限情况下系统渐近稳定且具有给定H∞性能指标的充分条件,并给出了H∞融合估计器的设计方法.最后,通过一个仿真算例验证所提出设计方法的有效性.