基于混合卡尔曼粒子滤波的电动汽车锂电池荷电状态估计

针对动力电池荷电状态(SOC)估计中,传统扩展卡尔曼滤波(EKF)忽略高阶项、粒子滤波(PF)存在重采样过程中的粒子退化与多样性丧失的问题,提出了改进的混合卡尔曼粒子滤波(MKPF)算法。首先采用扩展卡尔曼滤波产生系统的状态估计,然后使用无迹卡尔曼滤波器重复这一过程,将扩展卡尔曼滤波和无迹卡尔曼滤波获得的状态估计共同作为粒子滤波建议分布,并通过权值排序进行粒子优胜劣汰。仿真和试验结果表明,所提出算法的SOC估算最大误差为1.2%,优于PF、EKF、UKF算法的SOC估算精度。

一种用于解决非线性滤波问题的新型粒子滤波算法

粒子滤波算法受到许多领域的研究人员的重视,该算法的主要思想是使用一个带有权值的粒子集合来表示系统的后验概率密度.在扩展卡尔曼滤波和Unscented卡尔曼滤波算法的基础上,该文提出一种新型粒子滤波算法.首先用Unscented卡尔曼滤波器产生系统的状态估计,然后用扩展卡尔曼滤波器重复这一过程并产生系统在k时刻的最终状态估计.在实验中,针对非线性程度不同的两种系统,分别采用5种粒子滤波算法进行实验.结果证明,文中所提出的算法的各方面性能都明显优于其他4种粒子滤波算法.

电力系统动态状态估计算法研究

为了提高电力系统动态状态估计的估计精度和收敛速度,引入一种解决非线性滤波问题的新型粒子滤波算法——混合卡尔曼粒子滤波器(Mixed Kalman Particle Filter,MKPF)。该算法采用扩展卡尔曼滤波器(EKF)与无迹卡尔曼滤波器(UKF)混合作为建议分布,得到一种更接近真实分布的近似表达式。仿真算例将MKPF与EKF和UKF进行了对比,比较结果证明在电力系统受到扰动之后,MKPF算法能够快速地收敛于真实值,且具有比EKF与UKF更高的估计精度和稳定性,达到了在线准确估计的要求。