基于混合自适应扩展卡尔曼滤波的永磁同步直线电机等效机械参数辨识策略

针对机械参数辨识精度受推力系数波动影响而降低的问题,提出等效机械参数模型,将推力系数与待辨识参数相结合,并推导该模型在控制器调谐和前馈补偿上与传统模型的等效性。为了进一步实现等效机械参数在线辨识,构建基于混合自适应扩展卡尔曼滤波的辨识器。混合自适应扩展卡尔曼滤波在系统噪声矩阵和渐消因子中加入自适应机制,能够估计系统噪声,并在负载突变时快速收敛。通过对系统可观性和矩阵正定性的推导,证明算法的稳定性。最后,在一台永磁同步直线电机上进行实验,验证所提算法的有效性及其在PWM周期为32 kHz和10 kHz时在线运行的可行性。

基于扩展卡尔曼滤波辨识永磁同步直线伺服系统的负载惯量参数

针对目前永磁同步直线电机带柔性负载产生谐振频率的辨识问题,提出通过使用非线性扩展卡尔曼滤波器(EKF)辨识负载惯量进行对谐振频率的计算。首先建立电机-柔性连接-负载的二质量系统模型;其次在系统模型上搭建EKF算法,重点研究EKF算法在二质量系统模型中状态方程与量测方程的建立。建立EKF二质量系统仿真模型,并进行仿真实验;最后将EKF算法应用在永磁同步直线电机系统之中进行辨识,实现对永磁同步直线电机带柔性负载的负载惯量辨识,根据仿真验证能在0.1 s以内辨识0.1 kg*m 2负载惯量。在惯量变换时能够实时修正辨识结果,辨识误差小于1%。

基于多新息最小二乘和多新息扩展卡尔曼滤波算法的锂电池SOC估计

针对现有SOC(荷电状态)估计方法中电池模型参数恒定,没有考虑电池模型参数的动态变化,导致SOC的估计不够精准的问题,文中提出了一种基于电池模型参数在线辨识与SOC估计联合的算法。在二阶RC等效电路模型基础上,采用多新息最小二乘(Multi Innovation Least Squares,MILS)算法对锂离子电池模型中的参数进行在线辨识,从而对电池模型进行实时修正;同时基于修正后的电池模型,采用多新息扩展卡尔曼滤波(Multi Innovation Extended Kalman Filter,MIEKF)算法对电池荷电状态进行估计。MILS算法可以解决在线参数辨识过程中的初始误差累积问题,能够实现模型参数的在线精准辨识,MIEKF算法融合了多新息理论和卡尔曼滤波理论,加入了遗忘因子以削弱历史数据并修正权重,解决了数据过饱和问题,具有较高的准确性和收敛性。实验结果表明,在对电池模型进行参数辨识时,MILS算法、RLS算法辨识的均方根误差分别为1.4、1.9 mV,MILS算法相比RLS算法的估计精度提高了26.3%;对于参数辨识后SOC的估计,MIEKF算法估计的均方根误差为0.0037,EKF算法、AEKF算法估计的均方根误差分别为0.0073、0.0052,MIEKF算法比EKF算法的估计精度提高了49.31%,比AEKF算法的估计精度提高了28.84%;并且在给定SOC初值错误的情况下,文中所提出算法在电池开始工作后30 s左右就能够收敛到真实值,是一种精度高而且鲁棒性好的有效估计方法。

基于改进的粒子群优化扩展卡尔曼滤波算法的锂电池模型参数辨识与荷电状态估计

为解决锂电池荷电状态(SOC)难以精确估计的问题,提出了基于改进的粒子群优化扩展卡尔曼滤波(IPSO-EKF)算法预测电池SOC。为减小参数非线性特性影响,重新构建了EKF算法电池状态空间方程,以辨识出的电池模型参数为基础,获得SOC最优估计。采用IPSO算法优化EKF算法噪声方差矩阵,解决系统状态误差协方差矩阵和测量噪声协方差矩阵最优解获取难题,进一步提高SOC的估计精度。计算结果表明:IPSO-EKF算法能够精确地辨识电池模型参数和SOC值,并能够很好地修正状态变量初始误差。

用基于遗传优化的扩展卡尔曼滤波算法辨识电池模型参数

提出了一种基于遗传优化算法(Genetic algorithm,GA)和扩展卡尔曼滤波(ExtendedKalman filter,EKF)算法的电池模型参数辨识方法。建立了锂离子动力电池等效电路模型,模型中两个RC网络分别描述电池的电化学极化特性和浓差极化特性,迟滞电压描述电池充放电过程的平衡电势的差异。对于具有耦合关系的模型参数,采用具有最小均方误差估计效果的EKF辨识算法,针对EKF算法通过试验调节难以取得最佳滤波效果的问题,提出基于遗传算法优化EKF噪声矩阵的方法。试验和仿真结果表明:基于遗传优化的EKF算法(GA-EKF)辨识的电池模型满足电动车辆仿真精度要求。

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的磁共振指纹参数量化优化算法

“磁共振指纹”技术一次扫描可同时获得定量的T1、T2等参数像,弥补了磁共振成像(MRI)扫描时间长,一次只能得到一种加权像的缺陷。但其经典算法需要对不同序列建立不同的字典,且字典大小直接影响量化结果。我们对基于扩展卡尔曼滤波的磁共振指纹参数量化算法进行优化,不需要建立字典,通过建立成像模型,采用卡尔曼滤波对磁共振指纹信号进行跟踪,反演得到量化参数。该方法减少了卡尔曼迭代次数,加快了参数估计的收敛速度,提升了参数量化图像的质量。

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。

基于速度环扩展卡尔曼滤波的无位置传感器电机控制

针对大负载摇臂机构,提出了一种基于速度环扩展卡尔曼滤波的无位置传感器电机控制方案。首先根据电机的电压方程,在全速度范围内使用凸优化方法来估计转子位置,该方法在低速情况下需要注入高频信号。针对低速重载情况下铁心饱和导致位置可观测性下降的问题,结合电机机械运动模型,使用扩展卡尔曼滤波算法,对基于凸优化的估计进行修正。此外由于EKF对参数较为敏感,使用离线最小二乘法辨识系统的惯量、阻尼和转矩常数,并将结果带入EKF中。经过EKF滤波之后,极大地提高了速度估计质量,尤其是在饱和发生时。最后对所提出的方法,进行了仿真研究,并在由表贴式永磁同步电机驱动的电机控制实验平台上进行了实验验证。

基于扩展卡尔曼滤波的永磁同步电动机参数辨识

针对永磁同步电动机在运行中电机的电磁参数的改变,通过对永磁同步电动机稳态数学模型的推导,利用扩展卡尔曼滤波对电机的电阻、电感进行在线辨识。在MATLAB/Simulink中搭建辨识模型进行分析比较,验证该方法可以准确地辨识出电阻、电感的值。仿真结果表明,扩展卡尔曼滤波具有快速的收敛性,能够很好地跟随电机参数的变化,应用参数辨识技术可以有效地改善永磁同步电动机控制性能。

应用扩展卡尔曼滤波算法的船舶运动模型参数辨识

为确定船舶运动模型中的未知参数,提出1种以增广的状态方程和扩展卡尔曼滤波算法进行船舶运动模型参数辨识的算法,并设计辨识实验.在辨识实验中,采用固定区间卡尔曼平滑算法进行数据预处理,用辨识实验结果确立船舶运动模型.仿真验证实验表明,用该方法确立的模型是可靠的.

基于扩展卡尔曼滤波的岩石流变模型参数识别

针对岩石材料本身复杂性及观测条件引起的室内外试验数据中存在的不确定性,引入卡尔曼滤波方法,将岩石流变模型参数视为某随机过程的状态估计量,构造相应的卡尔曼滤波方程进行参数识别。以构皮滩水电站岩石工程黏性软岩的单轴压缩蠕变试验为例,对广义开尔文模型的有关参数进行识别,结果表明该方法具有很高的识别精度。同时探讨不同观测误差对滤波过程及参数识别结果的影响,数值试验表明该算法具有较强的抗噪声干扰能力,为解决岩石力学参数识别中的不确定性问题提供一个有效的理论方法。

扩展卡尔曼滤波在动态负荷参数辨识中应用

采用扩展卡尔曼滤波算法建立由动态负荷和静态负荷组成的综合负荷数学模型,并列出了其转子运动方程、状态方程和输出方程,其中动态负荷由等值的异步电机表示,静态负荷由恒定导纳并联组成。通过动模试验,取得给定负荷在系统扰动时的电压、电流数据。根据所建立数学模型的输入、输出值,用扩展卡尔曼滤波算法辨识其中的待定参数。参数初值设置为真值的2～7倍,辨识结果误差为2%～3%。分析结果表明,扩展卡尔曼滤波可在短时间内收敛,能正确地辨识出系统参数,且稳定性好。结论表明扩展卡尔曼滤波可以用于电力系统参数辨识,为电力系统状态估计、负荷建模提供了有效方法。

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PSO优化扩展卡尔曼滤波的电机参数估计方法研究

针对传统扩展卡尔曼滤波算法应用于感应电机参数估计时,由固定测量噪声与真实噪声的差值所引起的估计误差问题,提出了一种粒子群优化扩展卡尔曼滤波的感应电机参数估计方法。以粒子群算法对扩展卡尔曼滤波算法中人为设定的固定测量噪声进行迭代寻优,同时引入全局最优变量,避免陷入局部最优,使寻优得到的测量噪声最大程度逼近真实的噪声水平。仿真结果表明,使用粒子群优化的扩展卡尔曼滤波方法降低了感应电机参数估计的误差,证明了该方法的有效性。

基于扩展卡尔曼滤波器的电机参数辨识算法

准确的电机参数是无速度传感器交流调速系统设计的前提。运行过程中,由于温度、频率和磁通的影响,电机参数通常会发生变化,特别是,转子电阻和磁链电感的变化直接关系到磁链和转速的辨识精度,影响驱动系统性能。本文通过测量定子电压和电流,基于扩展卡尔曼滤波器(EKF),研究了一种新颖算法,通过将两个基于扩展卡尔曼滤波器模型有机结合,协同工作,实现了对转子电阻、励磁电感、转子磁链和转速在线辨识。仿真和实验结果表明这种新颖的电机参数辨识算法具有较小的辨识误差,可以满足无速度传感器交流调速系统对电机参数准确性的要求。

扩展卡尔曼滤波估计载波参数的算法研究

提出了一种在接收信号幅度未知的情况下进行载波参数估计的扩展卡尔曼滤波算法,该算法把信号幅度及伪码自相关的乘积作为一个独立变量和载波相位、频率一起组成状态向量进行扩展卡尔曼滤波。理论分析表明该算法本质上是具有可变增益的幅度锁定环和相位锁定环的联合估计,并给出了稳态时环路闭环传输函数和等效噪声带宽的解析表达式。仿真结果表明该算法在高低信噪比下,均具有较高的估计精度和较快的收敛速度。

基于扩展卡尔曼滤波的永磁电机热网络参数辨识

针对永磁电机在线运行中由于电机温升可能引起永磁电机永磁体退磁等电机故障及寿命缩短,而永磁电机转子温度在线监测困难、识别精度不高的问题,提出一种基于传热理论的集总参数热网络模型温度在线识别方法。根据永磁电机结构及传热特点,建立永磁电机五节点浅灰箱集总参数热网络模型,并建立损耗模型及理论热网络参数初步模型。搭建永磁电机定转子温升实验平台,利用实验温升数据,基于扩展卡尔曼滤波算法对热网络模型在不同工况下进行关键热网络参数的辨识,并使用回归分析方法建立任意工况下的参数模型,解决不同工况下参数模型变化而影响节点温度识别精度问题。通过电机节点温度在线识别实验,验证了参数辨识算法的可行性及辨识参数模型的准确性。

基于扩展卡尔曼滤波（EKF）的结构动态物理参数识别

本文应用扩展卡尔曼滤波估计结构的动态物理参数，采用等效线性化原理识别结构的刚度系数和阻尼系数。并用识别的结果作为结构的参数对结构进行动力反应分析，计算结果与试验结果符合较好，表明EKF法是一种较好的识别结构动态参数的方法。

基于改进扩展卡尔曼滤波的PMSM在线参数辨识

为解决永磁同步电机多参数辨识过程中辨识精度较小、收敛速度慢的问题,设计一种基于扩展卡尔曼滤波的在线参数辨识方法。首先,结合永磁同步电机数学模型,采用Popov超稳定理论设置自适应律,经过模型参考自适应算法辨识出电机实时转动惯量;其次,将转动惯量送入扩展卡尔曼滤波模块,最终实现电机电感和磁链的在线辨识,引入的转动惯量能够实时更新修正电感与磁链的辨识结果。Matlab仿真表明:所提出的方法收敛速度快、误差较小且稳定性好,在负载变化时能够实时修正辨识结果。所设计系统辨识误差小于1%,验证其可行性。