基于变遗忘因子的改进卡尔曼滤波锂电池荷电状态估算研究

目的 为了解决锂电池在不同放电阶段和噪声干扰下荷电状态(SOC)估算结果发散问题,方法 通过分析锂电池机理特性,查找影响估算结果的因素和原因。选取适当的数学模型并得到开路电压特性-荷电状态(OCV-SOC)试验曲线后,针对传统算法估算误差波动较大的问题,提出变遗忘因子递推最小二乘(VFF-RLS)与自适应平方根无迹卡尔曼滤波(ASRUKF)算法联合估算SOC。结果 以动态应力测试(DST)为例,遗忘因子最小二乘(FFRLS)算法的开路电压初期误差最大值为0.02 V,稳定后端电压误差为0.004~0.010 V,误差收敛时间约45 s;UKF算法的SOC估算初期最大误差为0.03,在400 s左右逐渐收敛到理论值附近,稳定后的波动误差为0.83%;VFF-RLS算法在相同的条件下,开路电压实验初期误差最大值为0.04 V,稳定后端电压误差为0.003~0.007 V,误差收敛时间约10 s;ASRUKF的SOC估算初期最大误差为0.1,随着算法迭代,200 s内收敛到理论值附近,稳定后最大波动误差0.413%。结论 为了保证算法适用的普遍性,在不同初值下观察算法的收敛性,结果表明,在复杂的试验工况下,与传统算法比较,改进算法的参数辨识速度明显加快,精度提高,在估算SOC阶段,波动范围明显变小;在实际值误差较大的情况下,依然能够迅速收敛,证明本文方法的改进切实可行,可用于实际电池研究。

基于动态遗忘因子递推最小二乘法和改进粒子滤波算法的锂电池SOC估计

为了提高锂电池荷电状态(SOC)估计的精度,提出了一种基于动态遗忘因子递推最小二乘法和改进粒子滤波算法相结合的锂电池SOC估计方法。针对固定遗忘因子递推最小二乘法在电池参数辨识中难以同时保持快速收敛和稳定性的问题,引入动态遗传因子,以模型辨识值和实际值的残差为变量构建修正公式,实现遗忘因子动态调整。为了改善粒子滤波(PF)的粒子多样性丧失问题,采用白鹭群优化算法(ESOA)对粒子滤波算法进行优化。仿真结果表明,基于动态遗忘因子递推最小二乘法和改进粒子滤波算法的锂电池SOC估计误差始终保持在0.3%以内,平均绝对误差和标准差为0.15%和0.17%,与其他算法相比具有更好的精度和稳定性。

饱和非线性维纳系统的可变遗忘因子梯度辨识

为了解决饱和非线性维纳(Wiener)系统的参数辨识问题,提出了基于辅助模型的可变遗忘因子随机梯度算法。首先,由于饱和非线性的特殊结构,采用了切换函数变换非线性表达式,使所有未知参数包含在一个向量中,将系统模型转换为线性回归形式。然后,为了获得未知的中间变量,构造辅助模型,运用辅助模型的输出替换信息向量中的未知内部变量。最后,为了提高随机梯度算法的收敛速度,在算法中引入了可变遗忘因子。仿真结果表明,与传统的随机梯度算法相比,所提算法的参数估计更精确,且收敛速度更快,验证了所提算法的有效性。

遗忘因子随机配置网络驱动的自适应切换学习模型

随机配置网络(SCNs)具有通用逼近能力和快速建模特性,已成功应用于大数据分析。在SCN的基础上,块增量随机配置网络(BSC)使用块增量机制提高训练速度,但增加了模型结构的复杂程度。为了解决上述难题,提出遗忘因子随机配置网络(FSCN-Ⅰ和FSCN-Ⅱ)驱动的自适应切换学习模型(ASLM)。该模型利用正态分布配置隐含层节点的输入参数。FSCN-Ⅰ通过误差值和遗忘因子调整节点块的尺寸,提高训练速度。FSCN-Ⅱ引入节点移除机制降低模型结构的复杂程度。ASLM由FSCN-Ⅰ和FSCN-Ⅱ构成,两者根据自适应变化的边界随机切换以提高模型的训练速度,并在FSCN-Ⅰ的基础上降低模型结构的复杂程度。最后,通过基础数据集和工业实例,表明该方法的有效性。

双遗忘因子最小二乘法车辆质量和时变坡度估计

针对双遗忘因子最小二乘法由于数据饱和导致车辆变质量估计失效,在坡道起步时导致坡度估计性能下降的问题,提出一种改进算法。建立了车辆行驶时的纵向动力学数学模型,并根据最小二乘递推估计理论得到双遗忘因子最小二乘递推估计模型;针对原始算法的变质量估计问题,通过引入车速作为车辆停车的判断参数,并在停车后重新初始化协方差矩阵来消除数据饱和的影响;采用AVL CRUISE与Matlab/Simulink联合仿真对识别算法进行了验证。仿真对比分析表明,有效地验证了改进算法的合理性和可靠性,提高了算法在车辆质量和坡度估计时的收敛速度和精度。

基于动态遗忘因子最小二乘与EKF的电池SOC估计

电池荷电状态SOC(state of charge)作为电池管理系统中尤为重要的一部分,其准确估计成为锂离子电池研究的重点;为了提高动态工况下的SOC估计精度,对锂离子电池等效模型进行分析,基于AIC(赤池信息)准则确定二阶RC电路为等效电路模型,使用递推最小二乘算法对模型参数进行在线辨识,为提高辨识精度,提出了带动态遗忘因子递推最小二乘的改进算法,对算法加入遗忘因子,通过电压结果误差实时动态调整算法遗忘因子取值;将递推最小二乘算法和含动态遗忘因子最小二乘算法分别与扩展卡尔曼滤波(EKF)算法进行SOC联合估计,并对比其预测效果,结果表明含有动态遗忘因子最小二乘与EKF联合估计模型具有更高的精度和鲁棒性。

基于MapReduce模型的侵蚀地形因子计算方法研究

针对传统侵蚀地形因子提取方法在处理海量数据时出现的瓶颈,提出一种基于MapReduce模型的侵蚀地形因子计算方法。该方法将并行计算模型MapReduce与改进的通用土壤流失方程(revised universal soil loss equation ,RUSLE)相结合。利用最大坡降原理和B+树建立流向关系查找树来表现地形数据的相关性;利用 MapReduce 模型进行流路查找与栅格汇聚来替代传统正反向遍历算法,解决侵蚀地形因子计算过程中汇水和累计坡长的计算效率问题。实验结果表明,对于基于海量数字高程模型数据的地形因子提取,该方法能够在计算精度允许的范围内有效提高效率。

基于可变遗忘因子的渐消记忆变分贝叶斯自适应滤波算法

针对全球卫星导航系统/捷联惯性导航系统(GNSS/SINS)组合导航中GNSS信号易受干扰,造成量测噪声突变的问题,提出一种基于可变遗忘因子的渐消记忆变分贝叶斯自适应Kalman滤波(VBAKF)算法。针对自适应滤波中突变噪声难以准确探测,构建基于初值的噪声突变检验准则;为解决自适应滤波估计突变噪声的拖尾现象,将变分贝叶斯自适应滤波的超参数传递结构转化为协方差阵修正结构,通过构造可变遗忘因子函数动态调节自适应滤波中的遗忘因子。仿真和实测数据表明:所提算法可在GNSS/SINS噪声突变时快速估计量测噪声,提高组合导航精度。

采用自适应遗忘因子的永磁同步电机预测电流控制

由于模型预测控制(model predictive control,MPC)是基于电机模型实现预测控制的,电机实际参数与预测模型参数的不匹配会导致控制系统的控制效果下降。针对此问题提出一种采用自适应遗忘因子的最小二乘法参数辨识,该方法通过变化的遗忘因子调节辨识过程中旧数据的遗忘程度,使辨识结果具有快速的收敛性且能够稳定地跟随电机参数变化。通过辨识电机参数对预测模型的参数进行实时修正,可以有效降低因电机参数变化而导致的电流和转矩的波动,提高MPC算法的控制性能,提升MPC的参数鲁棒性。最后用Matlab/Simulink进行仿真分析,验证了该方法的有效性。

Hammerstein 系统遗忘因子有限窗口分解辨识

提出一种带遗忘因子和分解辨识策略的有限数据窗口递归最小二乘Hammerstein系统辨识方法。针对Hammerstein系统具有耦合参数的问题,将Hammerstein系统分解为2个子系统:一个子系统包含线性子系统参数,另一个子系统包含非线性子系统参数;提出一种基于遗忘因子的有限窗口递归最小二乘方法对分解模型进行在线递归估计;仿真示例验证了所提算法能够快速跟踪参数,实现对Hammerstein系统的精确辨识。

遗忘因子递推最小二乘法辨识锂离子电池参数

递推最小二乘法是辨识锂离子电池等效电路模型参数常见的方法,然而随着递推过程中数据的增加,新数据的生成会受到旧数据的影响,导致误差较大。为此,对锂离子电池的二阶RC等效电路模型进行建模和分析,提出一种用于等效电路模型参数在线辨识的遗忘因子递推最小二乘(FFRLS)法。在动力应力测试实验的基础上,在线辨识等效电路模型参数,利用识别的电路参数对电池电压进行在线预测。通过对比不同遗忘因子(λ)下的端电压均方根误差,发现λ=0.86~0.94为最佳范围。所提算法的精度优于递推最小二乘(RLS)法,验证了算法的可行性和有效性。

一种基于MapReduce的动态数据流分类算法

当前动态数据流下的实时分类问题存在3个难点:针对海量数据的实时处理;概念漂移的跟踪和模型的更新;模型的稳定和鲁棒性.针对上述问题,将极端支持向量机(extreme support vector machine,ESVM)与MapReduce框架结合,提出了带遗忘因子的鲁棒ESVM算法.该方法通过构造残差权重矩阵,对残差进行修正,同时加入遗忘因子,提高新样本的作用,从而实现对海量数据处理问题的求解.实验结果显示,所提出方法能够快速有效地对动态数据流进行分类,且结果不易受到噪声干扰,稳定性强.

时变遗忘因子的高速列车自适应子空间预测控制

针对传统列车固定模型难以描述和控制具有时变、非线性等特征的高速列车运行过程问题,本文提出时变遗忘因子的高速列车自适应子空间预测控制方法。首先基于列车状态空间模型描述构建列车的增量式子空间预报模型;接着融合子空间辨识与反馈校正的思想得到时变遗忘因子的列车自适应模型,进而分析高速列车自适应子空间预测控制器的设计方法,并给出相应的控制算法。最后进行高速列车运行过程控制的仿真对比实验,结果表明本文控制方法在高速列车正常运行及强干扰情况下的预测跟踪控制性能是有效的。

可变遗忘因子递推最小二乘法对时变参数测量

针对传统的递推最小二乘法对于非平稳环境下的突变和时变信号的跟踪能力不够,常常无法检测到信号特征参数的问题,提出了在指数加权递推最小二乘法中引入可变的加权遗忘因子λ,对电力系统时变信号的幅值、相位、频率进行测量的方法。加权λ对算法的收敛速度和跟踪能力有很大影响,如能很好的调节λ,既可确保对时变参数的快速跟踪能力,又能具备小的参数估计误差。仿真结果表明:与传统的递推最小二乘法相比,该方法测量精度和收敛速度更优越,即使在低信噪比环境下,也能较精确的测出时变参数值。

声望模型中一种动态选择遗忘因子的方法

针对目前声望模型中单一的遗忘因子无法准确地跟踪动态变化的声望值的问题,提出了一种以降低总误差为目标的动态选择遗忘因子的方法。该方法首先分析了不同的遗忘因子对总误差的影响,然后以声望值的变化程度为依据,在变化较为剧烈时选择较大的遗忘因子以快速体现变化,在变化较小时选择较小的遗忘因子以减小随机误差。仿真结果表明:该方法是行之有效的。

遗忘因子法在紫外分光光度分析上的应用——撒痛风注射液和增效联磺胶囊的含量测定

将遗忘因子法用于多组分混合物的紫外光谱定量分析,运用其递推算法无需预先化学或物理分离直接测定混合物中各组分的含量。撒痛风注射液中水杨酸钠、咖啡因和安替比林以及增效联磺胶胶囊中磺胺甲基异噁唑、三甲氧苄氨嘧啶和磺胺嘧啶的含量测定,其平均回收率(%)分别为100.0,99.9,100.0,99.7,99.7,100.0;变异系数(%)分别为0.73,0.70,0.76,1.57,1.41,1.10。该法为最小二乘方法的在线分析提供了可行途径。

基于指数渐消遗忘因子的组合导航自适应滤波算法

量测信息异常导致的噪声统计特性变化容易引起组合导航滤波精度下降甚至发散。针对Sage-Husa自适应滤波算法估计系统量测噪声参数性能对遗忘因子依赖性强的问题,提出了基于指数渐消遗忘因子的自适应滤波算法。在对故障检测函数判断量测噪声统计特性研究的基础上,构建了基于指数函数的动态遗忘因子模型,提升量测信息异常情况下的导航精度。与卡尔曼滤波、Sage-Husa自适应滤波、基于滑动遗忘因子自适应滤波等三种算法对比的仿真和跑车试验结果表明,所提出的算法在存在量测异常的情况下,导航性能提高显著,导航位置精度均提高20%以上。

带遗忘因子的线性回归性能评估算法及应用

工业过程中的控制系统经常处于性能不佳的状态,若没有得到定期的维护会造成巨大的经济损失。带遗忘因子的线性回归(ILR)算法是一种基于过程数据的性能评估方法,它在线性回归方法的基础上引入遗忘因子,使评估结果更加具有实时性,为控制系统的维护提供了可靠的依据。该算法具有建模简单、计算快捷和适用于时变扰动模型的优点。本文运用该方法对乙烯裂解炉几个重要回路进行了性能评估,以此来表征系统整体的性能,并验证了算法的时变有效性。

带遗忘因子的限定记忆辨识算法

基于最小二乘辨识原理,针对快时变系统,提出了一种将遗忘因子算法与限定记忆算法相结合的辨识算法,该方法在固定记忆长度中加入遗忘因子,并根据估计参数的变化率来在线调节遗忘因子的大小,提高了时变系统的辨识精度,数值仿真结果表明该方法有较好的辨识效果。

遗忘型轻度认知功能损害的认知特征、血清脑源性神经营养因子水平及其基因的Val66Met多态性

目的:探讨血清脑源性神经营养因子(brain-derived neurotrophic factor,BDNF)水平及其基因的Val66Met多态性与遗忘型轻度认知功能损害(amnestic mild cognitive impairment,aMCI)及其认知特征的关系。方法:应用多维度神经心理测试评估99例aMCI患者(aMCI组)和99例正常对照者(正常对照组)的神经认知功能;采用酶联免疫吸附试验测定血清BDNF水平,聚合酶链反应-限制性片段长度多态性分析BDNF基因的Val66Met多态性。结果:aMCI组的各项神经认知测试成绩均显著差于正常对照组(P<0.001),尤以反映词语性情节记忆的听觉词语记忆测试(auditory verbal memory test,AVMT)的延迟回忆项受损最明显;aMCI组血清BDNF水平(中位数为4.37μg/L)低于正常对照组(中位数为4.98μg/L)(z=-2.449,P=0.014),且与AVMT的延迟回忆呈显著正相关(r=0.264,P=0.008);aMCI组和正常对照组间BDNF基因的Val66Met基因型和等位基因频率差异无统计学意义(P>0.05),aMCI组BDNF基因的Val66Met基因型亚组间各神经认知测试成绩和血清BDNF水平差异无统计学意义(均P>0.05)。结论:在aMCI中,降低的血清BDNF水平表明神经营养缺乏,这可能在其病理生理过程中发挥作用;BDNF基因Val66Met多态性可能不是aMCI主要的遗传因素。