基于修正协方差近似二阶扩展卡尔曼滤波算法的电池荷电状态估算

为解决扩展卡尔曼滤波(EKF)算法中由非线性变换忽略高阶泰勒项引起的荷电状态(SOC)估算误差和在迭代过程中协方差容易出现病态的问题,采用修正协方差近似二阶扩展卡尔曼滤波(MVASOEKF)算法,通过混合脉冲功率特性试验对等效模型内部参数进行离线辨识并建立了二阶RC等效电池模型,在MATLAB/Simulink平台上进行SOC估算,结果表明,EKF算法估算平均绝对误差约为2.0%,MVASOEKF算法估算平均绝对误差约为0.5%,与EKF算法相比,MVASOEKF算法虽增加了一定的计算量,但是SOC估计精度明显改善,且收敛性更好。

多传感器非线性系统序贯观测融合二阶扩展卡尔曼滤波器

对多传感器非线性系统提出了一种序贯观测融合二阶扩展卡尔曼滤波(Second-order Extended Kalman Filter,SOEKF)算法。该算法的中心思想是根据传感器观测数据到达融合中心的先后次序依次进行处理。研究表明,提出的序贯观测融合SOEKF算法比集中式观测融合EKF算法具有更高的精度;与集中式观测融合SOEKF算法精度相当,且具有更低的计算复杂度。目标跟踪系统的仿真验证了算法的有效性。

基于二阶近似扩展卡尔曼滤波的锂离子电池SOC估计

为提高电池荷电状态(SOC)估计的准确性,更高阶的扩展卡尔曼滤波(EKF)算法被用来估计SOC值。首先建立锂离子电池一阶Thevenin等效电路模型,采用样条函数来表述开路电压(OCV)和SOC值的函数关系。为更加精确地识别等效电路模型参数,提出一种新的带有可变遗忘因子最小二乘法(VFFRLS)的算法来在线识别模型参数。由于VFFRLS解的精度依赖于算法初始值的设定,为此采用改进粒子群算法求得模型初始参数值,进而得到更加精确的VFFRLS初始值。最后采用二阶EKF来估计电池的SOC值,以此提高估计精度。两组不同的数据集用来证明二阶EKF估计SOC值具有普适性。实验结果表明,二阶EKF在估计不同工况条件下的SOC值时,平均绝对误差(MAE)都保持在1%以内,由此证明了所提方法的有效性。

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。

基于扩展卡尔曼滤波算法的磷酸铁锂电池荷电状态估计

电池的荷电状态(SoC,state of charge)是锂离子电池最基本的参数之一,不能直接测量得到。本文基于二阶Thevenin模型对磷酸铁锂电池进行建模分析,通过混合脉冲功率特性(HPPC,hybrid pulse power characteristic)实验对不同SoC处的模型参数进行识别。基于MATLAB/Simulink平台,搭建了变参数二阶Thevenin模型与扩展卡尔曼滤波(EKF,extended Kalman filter)算法相结合的估算系统。仿真结果表明,估算系统在不同工况下的仿真误差不超过2.5%,为锂离子电池管理系统的搭建提供了支持。

基于二阶扩展卡尔曼滤波理论的毫米波波束跟踪算法

毫米波(mm wave)通信中波束覆盖方向性给高速移动的终端设备(如高速车辆,火车和无人机)带来了巨大挑战。现有基于扩展卡尔曼滤波理论(extended Kalman filter theory,EKF)的波束跟踪算法存在估计精度较低的问题,为此,采用二阶扩展卡尔曼滤波理论(second-order extended Kalman filter theory,SOEKF)作为波束跟踪算法,并辅以一种低复杂度的波束切换方案,随后基于时变信道演化模型构建状态向量和量测方程,在数值仿真中给出了信噪比,阵列大小,AoA/AoD(angles of arrival/angles of departure)的变化速度对算法性能的影响。仿真结果表明,所采用的SOEKF算法相较于同类算法具有更高的估计精度,同时保持了较低的复杂度,更适合快速变化的信道环境。

基于二阶近似EKF的永磁同步电机无传感器控制策略

在永磁同步电机(PMSM)无感控制中,采用扩展卡尔曼滤波(EKF)来估计PMSM的转子位置和转速,采用一阶Taylor展开对系统状态模型进行线性化,省略二阶及以上项会带来较大的建模误差。针对该问题,提出了基于二阶近似的EKF方法,保留二阶偏微分项,提高了系统模型精度。仿真实验证明,该方法可以获得比传统方法更精确的估计结果。

基于双扩展卡尔曼滤波锂电池荷电状态估算研究

针对单个扩展卡尔曼滤波算法(EKF)估算精度不高,且受荷电状态(SOC)初始值的影响,在建立二阶RC等效电路模型基础上,采用双扩展卡尔曼滤波算法(DEKF)对电池模型参数与SOC在线估算。以24 Ah/3.3 V磷酸铁锂电池组为研究对象,设计了电池实测工况实验,实验结果表明,在动态压力测试工况(DST)和纯电动乘用车用能量型蓄电池主放电工况下,与单个EKF算法相比,DEKF算法在SOC初始值不准确的条件下具有较好的收敛性和适应性,误差控制在3%以内,证明了该算法的可行性和有效性。

基于反幂法和扩展卡尔曼滤波的姿态估计算法

针对基于Davenport的四元数法和扩展卡尔曼(extended Kalman filtering,EKF)的姿态估计算法的精度受特征值精度影响的问题,设计一种基于反幂法与EKF算法的姿态估计算法。根据Davenport矩阵K的近似特征值,利用反幂法迭代计算出Davenport矩阵K的特征向量,将其作为EKF的测量值,降低EKF测量值对特征值的敏感度。为验证算法有效性,搭建四旋翼无人机实验平台,实测实验结果表明,该算法能为无人机提供高精度、实时的姿态信息,实现了无人机的稳定飞行。

基于扩展卡尔曼滤波模型的电动汽车锂电池SOC估算研究

针对新能源电动汽车锂电池电荷状态SOC估算问题,在锂电池二阶RC等效电路模型基础上,引入扩展卡尔曼滤波方法,利用扩展卡尔曼滤波方法处理复杂非线性系统能力,建立了扩展卡尔曼滤波锂电池SOC估算模型,并通过MATLAB/Simulink对新建模型仿真分析。仿真结果显示,建立的扩展卡尔曼滤波锂电池SOC估算模型具有较高估算精度,整体误差小于±0.05%,满足新能源电动汽车对锂电池SOC估算要求。

线性校正变分贝叶斯自适应扩展卡尔曼滤波跟踪算法

针对量测噪声统计特性未知的非线性滤波跟踪问题，本文首先通过引入线性校正扩展卡尔曼滤波来抑制观测方程局部线性化所带来的截断误差效应，再进一步通过变分贝叶斯近似算法，对量测噪声方差进行迭代估计，最终形成了基于变分贝叶斯近似的线性校正自适应扩展卡尔曼滤波跟踪算法。分析表明，在量测噪声进行迭代求解过程中，所提算法对卡尔曼滤波局部线性化误差也进行了估计，跟踪精度优于已知误差分布真实值时的跟踪结果。最后。在时频差定位体制下。给出了本文所提算法的具体表达式，并通过计算机仿真验证了本文所提算法的有效性。

在线参数辨识和扩展卡尔曼算法的锂离子电池SOC估算研究

荷电状态(SOC)的准确估计对锂离子电池的在线实时监测和安全控制具有重要意义。以中航锂电池为研究对象,选择二阶阻容(RC)模型对电池工作特性进行表征,并结合多种工况情形对锂离子电池进行研究分析。考虑到参数辨识的初值对在线辨识修正效果的影响,搭建仿真模型与电池脉冲工况特性比较验证,仿真误差在0.05 V以内。在此基础上,构建含有遗忘因子的递推最小二乘法(FFRLS)的在线参数辨识系统,对电池动态应力测试工况(DST)进行仿真预测,相对误差在1.50%以内。针对离线参数辨识的不足,采用在线参数辨识结合扩展卡尔曼(EKF)算法对工况下电池SOC进行估计。试验结果表明,在线参数辨识下,EKF算法能够有效表征系统SOC估算,相对误差精度在0.3%以内。

卡尔曼滤波算法研究

对卡尔曼滤波的起源和发展进行了简述,然后对标准卡尔曼滤波的定义和模型进行了回顾,重点对近似二阶扩展卡尔曼滤波、扩维无迹卡尔曼滤波和自适应卡尔曼滤波等3种最新改进型的卡尔曼滤波算法进行了详细阐述,最后对这3种新改进型的卡尔曼滤波算法的优缺点进行了对比分析,对各自的适用领域和场景进行了说明。

基于二阶差分滤波器的水下目标纯方位角跟踪

针对被动单声呐平台对水下目标的纯方位角跟踪问题,提出基于二阶差分滤波器的水下目标纯方位角跟踪方法。采用二阶Stirling插值公式对系统模型中的非线性项进行线性化,使系统误差协方差矩阵正定,保证了滤波算法的稳定性,避免了传统扩展卡尔曼滤波算法由于需要计算Jacobian矩阵而导致计算复杂、难以应用的问题。建立了被动声呐平台测量模型和水下目标的运动学模型,并应用Monte Carlo方法完成仿真实验。仿真结果表明,基于二阶差分滤波器的水下目标纯方位角跟踪算法具有较快速准确的跟踪响应,通过RMSE概率统计方法进一步验证了这种方法具有较高的估计精度。

基于最优定界椭球的扩展集员滤波算法研究

针对噪声未知但有界的非线性系统,提出了一种基于最优定界椭球的扩展集员滤波算法。首先,对非线性状态方程和量测方程进行泰勒级数展开,采用区间分析方法对线性化误差进行外包定界,并通过椭球近似将其整合到系统噪声中;在此基础上通过预测步和滤波步两步过程来计算与量测和噪声边界近似相一致的待估计状态的可行集。以Duffing方程为例,与扩展卡尔曼滤波方法的仿真比较表明了该算法的精确性和鲁棒性。

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。

基于多新息卡尔曼滤波算法的锂电池SOC估计

针对锂离子电池荷电状态(SOC)较难准确获取的问题,依据锂电池等效电路模型,建立起各参数与SOC的联系,利用脉冲放电的数据对模型进行参数辨识.通过Matlab/Simulink验证了模型的正确性和精确性.将扩展卡尔曼滤波算法(EKF)融合多新息理论,建立了多新息扩展卡尔曼滤波算法(MIEKF)估计电池SOC的方法,该方法通过对旧信息的重复使用提高了EKF的估计精度.在美国城市道路循环工况(UDDS)下分别采用EKF和MIEKF算法来估计锂电池SOC,两者估计的最大误差分别为0.0176、0.0087.实验数据表明MIEKF算法估计电池SOC更准确.

基于二阶 RC 模型的锂电池充放电特性分析

为保证锂离子电池的安全健康使用,需要对锂离子的荷电状态进行实时估计,但由于电池内部复杂的电化学特性,且在辨识过程中辨识结果受温度、荷电状态和充放电倍率等非线性因素影响较大,实现准确的状态估计较为困难。文中首先基于二阶RC等效电路研究倍率充放电对锂电池的影响,另外为保证所建电池模型兼具较高精度和较好的实时性,根据最小二乘法对混合脉冲功率特性测试实验数据完成不同荷电状态下的数据拟合、参数辨识等工作,并依据扩展卡尔曼滤波完成对电池荷电状态的状态估计,并验证扩展卡尔曼滤波具备可实施性;最后搭建Simulink锂电池仿真模型并输出对比响应电压波形。实验结果表明该实验方法的有效性,输出电压与实验所得的电压变化趋势基本一致,为锂离子电池的管理系统提供了一定的参考依据。

基于二阶RC锂电池模型的自适应卡尔曼SOC估算

为了更加精确地估算锂电池荷电状态,建立能够反映电池动态工作特性的二阶RC等效模型。在模型参数辨识的基础上,先用数学分析、电路模型构建相关状态方程与观测方程,再结合扩展卡尔曼滤波算法,针对状态噪声与观测噪声的不确定干扰,提出一种自适应调整方案。通过锂电池放电实验,结合MATLAB仿真分析,验证了自适应调整后的卡尔曼滤波算法可更精确地预估锂电池荷电状态,与扩展卡尔曼滤波算法相比,该算法降低了约2.31%的误差。

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%。