准确、实时地估计电池的荷电状态(state of charge,SOC)和健康状态(state of health,SOH)是现代电池管理系统的关键任务。通过自适应H_(2)/H_(∞)滤波器可对锂电池的SOC和SOH进行联合估计。该方法基于锂电池的二阶RC等效电路模型,采用AF...准确、实时地估计电池的荷电状态(state of charge,SOC)和健康状态(state of health,SOH)是现代电池管理系统的关键任务。通过自适应H_(2)/H_(∞)滤波器可对锂电池的SOC和SOH进行联合估计。该方法基于锂电池的二阶RC等效电路模型,采用AFFRLS法在线辨识锂电池的模型参数,并利用H_(2)/H_(∞)滤波器估计锂电池的SOC,AFFRLS辨识与H_(2)/H_(∞)滤波交替进行,得到一种自适应H_(2)/H_(∞)滤波器。SOH依据AFFRLS辨识的电池内阻进行估计,实现了锂电池SOC与SOH的联合估计。实验结果表明:自适应H_(2)/H_(∞)滤波算法的估计精度高且鲁棒性强,电池的SOC和SOH的平均估计误差始终保持在±0.19%以内,相比于EKF和H_(∞)滤波算法有更高的估计精度与稳定性。展开更多
近年来,清洁低碳的电-气综合能源系统(electricity-gas integrated energy system,EGIES)受到了广泛关注。然而,EGIES涉及不同能源形式的设备量测与信息传输,数据误差的产生因素复杂且不确定性突出,导致确定性的点状态估计可信度不足,...近年来,清洁低碳的电-气综合能源系统(electricity-gas integrated energy system,EGIES)受到了广泛关注。然而,EGIES涉及不同能源形式的设备量测与信息传输,数据误差的产生因素复杂且不确定性突出,导致确定性的点状态估计可信度不足,为系统安全稳定运行带来严峻挑战。针对此问题,提出基于模型-数据联合驱动的EGIES区间状态估计方法。建立EGIES加权最小二乘(weighted least square,WLS)点状态估计模型,并利用人工鱼群算法(artificial fish swarms algorithm,AFSA)求解;考虑估计结果置信水平,利用核密度估计(kernel density estimation,KDE)构造点状态估计误差区间,进而得到区间状态估计结果;基于量测量样本与区间状态估计结果样本,训练长短期记忆(long short term memory,LSTM)神经网络得到EGIES快速区间状态估计模型。以30节点电力系统与14节点天然气系统耦合的EGIES进行算例分析,结果表明,所提区间状态估计方法的区间覆盖概率均保持在置信度水平之上。同时所提方法测试集在线估计时间仅为13.97s,相比于WLS-NR-KDE方法与WLS-AFSA-KDE方法分别降低76.44%与94.00%。展开更多
针对载频重频联合捷变体制雷达目标参数估计问题,提出了一种新的基于多重信号分类(multiple signal classification,MUSIC)算法的载频重频联合捷变雷达目标参数估计方法。通过信号模型的空时等效,将时域信号的处理等效成空域阵列信号的...针对载频重频联合捷变体制雷达目标参数估计问题,提出了一种新的基于多重信号分类(multiple signal classification,MUSIC)算法的载频重频联合捷变雷达目标参数估计方法。通过信号模型的空时等效,将时域信号的处理等效成空域阵列信号的处理,并将超分辨阵列信号处理方法应用到目标的参数估计中,从而把目标距离和速度的估计等效成阵列中二维参数的估计,解决了由于载频重频联合捷变所带来的目标参数估计难题。仿真实验表明,所提方法能有效实现对目标距离和速度的超分辨估计。展开更多
文摘准确、实时地估计电池的荷电状态(state of charge,SOC)和健康状态(state of health,SOH)是现代电池管理系统的关键任务。通过自适应H_(2)/H_(∞)滤波器可对锂电池的SOC和SOH进行联合估计。该方法基于锂电池的二阶RC等效电路模型,采用AFFRLS法在线辨识锂电池的模型参数,并利用H_(2)/H_(∞)滤波器估计锂电池的SOC,AFFRLS辨识与H_(2)/H_(∞)滤波交替进行,得到一种自适应H_(2)/H_(∞)滤波器。SOH依据AFFRLS辨识的电池内阻进行估计,实现了锂电池SOC与SOH的联合估计。实验结果表明:自适应H_(2)/H_(∞)滤波算法的估计精度高且鲁棒性强,电池的SOC和SOH的平均估计误差始终保持在±0.19%以内,相比于EKF和H_(∞)滤波算法有更高的估计精度与稳定性。
文摘近年来,清洁低碳的电-气综合能源系统(electricity-gas integrated energy system,EGIES)受到了广泛关注。然而,EGIES涉及不同能源形式的设备量测与信息传输,数据误差的产生因素复杂且不确定性突出,导致确定性的点状态估计可信度不足,为系统安全稳定运行带来严峻挑战。针对此问题,提出基于模型-数据联合驱动的EGIES区间状态估计方法。建立EGIES加权最小二乘(weighted least square,WLS)点状态估计模型,并利用人工鱼群算法(artificial fish swarms algorithm,AFSA)求解;考虑估计结果置信水平,利用核密度估计(kernel density estimation,KDE)构造点状态估计误差区间,进而得到区间状态估计结果;基于量测量样本与区间状态估计结果样本,训练长短期记忆(long short term memory,LSTM)神经网络得到EGIES快速区间状态估计模型。以30节点电力系统与14节点天然气系统耦合的EGIES进行算例分析,结果表明,所提区间状态估计方法的区间覆盖概率均保持在置信度水平之上。同时所提方法测试集在线估计时间仅为13.97s,相比于WLS-NR-KDE方法与WLS-AFSA-KDE方法分别降低76.44%与94.00%。
文摘针对载频重频联合捷变体制雷达目标参数估计问题,提出了一种新的基于多重信号分类(multiple signal classification,MUSIC)算法的载频重频联合捷变雷达目标参数估计方法。通过信号模型的空时等效,将时域信号的处理等效成空域阵列信号的处理,并将超分辨阵列信号处理方法应用到目标的参数估计中,从而把目标距离和速度的估计等效成阵列中二维参数的估计,解决了由于载频重频联合捷变所带来的目标参数估计难题。仿真实验表明,所提方法能有效实现对目标距离和速度的超分辨估计。