基于Sage-Husa-AUKF的AIC多模型优化的锂离子SOC估计

随着新能源技术异军突起,从发电端到受电端能源存储与并网问题研究不断深入,锂离子电池SOC充放问题也得到关注。其中EKF算法对锂离子能源模块改进时,存在阶段性波动及噪声问题会引起输出数值范围较大,并且一般能源模块采用单一阶梯的Thevenin/RC模型,模型初始化存在自适应问题。对此本文通过Sage-Husa-AUKF改进策略优化EKF算法,并且引入AIC多阶可调模块解决单一阶梯模式固化问题。通过这种融合模式改进算法,一方面使得锂离子模块自身物理结构具有可调性和自适应性,另一方面改进型算法使得系统输出平稳、启动性稳定。通过多次实验数据论证,本方法可以将锂离子能源系统输出波动降低到1%范围,对模块误差和精确度进行了有效改进,系统开启阶段到充放电完成,全过程平滑、无发散,可以用在供电端电能质量差、高次谐波多的锂离子模块SOC估计,可以有效弥补电力能源系统的稳定性。

基于改进Sage-Husa自适应滤波的ADCP船速基准精确获取

针对传统Kalman滤波存在的单一固定的误差协方差阵Q、R及观测粗差均会影响声学多普勒流速剖面仪船速滤波性能这一问题,本文结合自适应抗差滤波原理与Sage-Husa算法,通过构建自适应因子与抗差因子,并对Q和R分别增加Kalman滤波的约束条件,设计了一种改进的Sage-Husa自适应滤波算法。在长江口开展的声学多普勒流速剖面仪走航测量实验结果表明,与传统的Kalman滤波方法相比,本文改进方法受粗差影响明显减小;在底质流动速度为分别为5、10、15 cm/s下的船速精度均提高了约2 cm/s,断面流量相对精度则分别提高了0.9%、3.0%和6.0%。对于年均流量为2.8×10^(4)m^(3)/s的长江口这种大型感潮河段来说,本文方法1%~6%的流量相对精度的提高显得必要且有意义。

基于Sage-Husa自适应滤波的快速系统级标定方法

为提高捷联惯导系统级标定算法的滤波收敛速度,提出一种Sage-Husa自适应滤波快速系统级标定方法。分析Kalman滤波的噪声参数,对量测噪声方差阵进行自适应辨识。采用六位置静态标定方案,在满足滤波可观测性的前提下,设计中间参数对滤波模型进行降维处理,降维后的模型能够更好地适用于Sage-Husa自适应滤波。实验结果表明:与常规Kalman滤波系统级标定方法相比,2种滤波方法均能标定出所有IMU误差参数,且标定的相对误差均小于0.6%,但标定时间由5 min缩短至6 s,提高了捷联惯导系统级标定的速度。

基于Sage-Husa预测算法的直流无刷电机Hall传感器位置信息校正

直流无刷电机控制需要转子位置信息,位置信息识别偏差会降低电机效率。本文以带有开关型Hall传感器的直流无刷电机为研究对象,基于最小偏差原则,估算了Hall传感器间的相对安装偏移,明确了基于LBEMF的电机理想换相位置识别方法,消除了Hall传感器安装位置偏差,采用预标定方法,推算了信号调理电路引入的延迟,并提出了一种转子位置信息校正策略;设计了一种基于Sage-Husa法的自适应位置信息预测算法,滤除预标定未能消除的位置信息偏差。在氢气循环泵实验平台的结果表明,采用预标定方法后,转速波动MAPE降低了72.4%,平均相电流降低了62.8%,系统效率明显提高;相对于传统KF预测算法,本文预测算法的匀速与调速阶段转速波动、转速曲线超调及全过程换相时间波动分别降低了16.0%、19.4%、42.1%及35.0%,具有更高的抗扰动能力,对换相时刻的预测更准确稳定。

基于改进的Sage-Husa滤波MEMS陀螺阵列降噪技术研究

为充分挖掘MEMS陀螺的性能,提高MEMS陀螺在实际应用中的精度,通过搭建四陀螺阵列结合改进的Sage-Husa滤波算法对陀螺阵列的输出信号进行降噪,在不改变陀螺加工工艺和显著提高生产成本的条件下有效提高了MEMS陀螺仪的实际性能。通过分析MEMS陀螺仪的系统误差和随机误差,搭建误差模型,利用传统卡尔曼滤波、移动平均滤波、小波阈值去噪和改进的Sage-Husa滤波算法对单个陀螺和陀螺仪阵列进行降噪处理,实验对比发现改进的Sage-Husa滤波算法和陀螺仪阵列结合后能有效降低陀螺的输出噪声。利用Allan方差分析陀螺仪阵列经过改进的Sage-Husa算法滤波后的随机误差,四陀螺阵列角度随机游走从0.40°/√h降低到0.30°/√h,零偏不稳定性从71.11°/h降低到5.83°/h,有效提高了MEMS陀螺在实际应用中的性能。

GNSS/SINS组合导航的改进Sage-Husa自适应滤波算法

针对组合导航系统中标准Sage-Husa自适应滤波算法存在滤波发散的问题,提出一种改进的Sage-Husa自适应滤波算法。首先,对组合导航系统的线性卡尔曼滤波算法采用补偿反馈校正算法获得最优估计,并对滤波器新息向量进行简化;然后,提出一种改进的Sage-Husa自适应滤波算法,该算法具有实现简单并且可以避免状态估计发散的特点;最后,进行基于该算法的GNSS/SINS组合导航实验。结果表明,该算法可以对量测噪声突变方差和缓变方差进行准确跟踪,并且量测噪声方差估计精度与变分贝叶斯滤波方法相当;当量测噪声方差变化时,相对于标准KF算法,该算法可分别提高约20%和21%的位置精度和速度精度,能有效降低未知量测噪声统计特性对组合导航系统滤波精度的影响。

基于改进Sage-Husa算法的锂电池SOC估算方法研究

针对复杂工况下难以估算锂电池荷电状态(SOC)的问题,提出一种基于协方差匹配技术的改进的Sage-Husa自适应算法。改进的Sage-Husa自适应算法通过在Sage-Husa自适应算法基础上引入判断滤波是否发散的协方差匹配判据,确保滤波发散时更新噪声的统计特性,滤波收敛时无须重复更新噪声,从而提高了算法的鲁棒性和计算效率。实验结果表明,改进的Sage-Husa自适应算法在动态应力测试(DST)工况和北京公交动态应力测试(BBDST)工况下的SOC估算误差均小于2%,收敛时间小于50 s,证明了该算法在复杂工况下具有较高的估算精度和较快的收敛速度。

一种改进的基于Sage-Husa 的无迹卡尔曼滤波算法

基于Sage-Husa的无迹卡尔曼滤波算法(UKF)能实时估计噪声统计特性来应对系统模型和噪声的不准确性,但是存在不能同时估计状态噪声/状态噪声协方差和量测噪声/量测噪声协方差的问题.为此,提出了一种改进的基于Sage-Husa的UKF算法.首先阐述了基于Sage-Husa的UKF算法;其次改用间接量测更新来简化运算,引入强跟踪原理来约束噪声/噪声协方差的更新频率以及量测噪声协方差的估计结果;最后在系统模型、噪声不准确条件下进行了目标的跟踪仿真.仿真结果表明本文所提算法在上述复杂环境下仍能保持对目标的良好跟踪,验证了该算法的有效性.

基于Sage-Husa自适应的卡尔曼滤波负荷信号降噪研究

在对工业污水处理站运行设备进行负荷识别时,由于其所处的复杂工作环境,采集设备得到的信号中经常包含背景中的强噪声干扰,使得在对关键电力参量波形的识别和处理时出现较大困难。本文基于Sage-Husa自适应算法与卡尔曼滤波法相结合,在卡尔曼滤波基础上,加入遗忘因子,陌生参量指标,对工业污水站设备采集信号波形进行处理。采用公司智能电表采集平台数据进行实验验证,本文算法对比传统卡尔曼滤波算法,误差平均值降低42.91%,误差方差降低48.68%,获得更好的消除背景噪声效果。

自适应Sage-Husa粒子滤波及其在组合导航中的应用

针对非线性滤波问题,提出一种新的自适应Sage-Husa粒子滤波算法。通过Sage-Husa滤波方法计算状态估值和协方差阵来获得重要性密度分布函数,充分考虑了最新量测信息的影响,并利用欧氏距离和反映量测噪声统计特性的精度因子自适应地调整粒子权值的分布,降低粒子退化程度,提高了滤波精度,适用于非线性非高斯系统模型的滤波问题。将提出的算法应用于SINS/SAR组合导航系统中,与扩展Kalman滤波和粒子滤波比较,仿真结果表明,自适应Sage-Husa粒子滤波能提高导航系统定位的解算精度,得到的东向和北向定位误差控制在?5.3m附近,其性能明显优于扩展Kalman滤波和粒子滤波。

对Sage-Husa算法的改进

在衍生于卡尔曼滤波的INS/GPS组合导航自适应算法中,Sage-Husa算法是针对不确定的系统噪声协方差阵Q阵和量测噪声协方差阵R阵的经典算法。文中推导了自适应Q阵和R阵,在自适应Q阵中补充了Sage-Husa算法遗失的一些量。为了尽可能多保留信息,构造新方法使得Q阵非负定和R阵正定,取消了易导致估计偏差的均值估计,修改了Sage-Husa算法中使初始噪声方差的作用很快趋于零的设计思想,可控制固定噪声方差的比例。在3种数据扰动环境下,利用动态仿真计算分析和比较了相关算法发现,同时对Q阵和R阵做自适应估计的算法,其抵抗数据扰动的效果要优于固定Q阵只对R阵做自适应估计、或固定R阵只对Q阵做自适应估计的算法,这个结论不同于一些文献的观点。新改进的Sage-Husa算法对自适应Q阵和R阵可分别调节,有较好的适应性和稳定性。

改进的Sage-Husa自适应滤波及其应用

为防止滤波发散和提高系统的实时性,提出了一种基于协方差匹配技术的自适应滤波方法。该方法将协方差匹配技术和一种简化的Sage-Husa自适应滤波算法相结合,通过滤波的状态确定量测噪声协方差阵的值,在线估计噪声的统计特性实现自适应滤波。将该算法应用到惯导/双星(INS/DS)组合导航系统中,并和简化的Sage-Husa自适应滤波算法进行仿真比较。仿真结果表明,在滤波精度相当的情况下,新算法简化了运算,提高了实时性。

基于改进Sage-Husa的自适应无迹卡尔曼滤波的锂离子电池SOC估计

扩展卡尔曼滤波(EKF)算法估计锂离子动力电池荷电状态(SOC)时,由于系统噪声的不确定,可能导致估计算法不精确,并且算法中的线性化处理受电池模型的影响很大。为了解决上述两个问题,本文采用改进Sage-Husa的自适应无迹卡尔曼滤波法(AUKF)来动态地估计多元复合锂离子电池的SOC。与EKF相比,改进Sage-Husa的自适应卡尔曼滤波法提高了SOC估计的精度,并能够实时修正微小的模型误差带来的SOC估计误差,实时的工况模拟证明了该算法更适用于多元复合锂离子电池的动态SOC估计。

改进型Sage-Husa卡尔曼滤波器在电压暂降检测中的应用

电压暂降是电网中的一个关键电能质量问题。用于电压暂降检测的Sage-Husa型卡尔曼滤波器具有形式简单、计算量小、响应速度快的优点,但在系统阶次较高时容易出现滤波发散的问题。为避免滤波发散,同时进一步提高该滤波器的实时响应速度,改进Sage-Husa型卡尔曼滤波器中的噪声矩阵估计器,给出基于改进后Sage-Husa卡尔曼滤波器的电压暂降快速检测方法,并通过仿真和实验证明了该方法的有效性。与传统的Sage-Husa型卡尔曼滤波器相比,改进后Sage-Husa卡尔曼滤波器避免了滤波发散的现象,同时提高了的响应速度。

简化的Sage-Husa自适应滤波算法在组合导航中的应用及仿真

讨论一种简化的Sage Husa自适应Kalman滤波算法 ,它可对系统的量测噪声和系统干扰进行实时估计 ,同时在工程中又比较易实现与调整 ,通过在组合导航舰船运动模型的仿真发现 。

基于双旋迫击炮弹平台的改进型Sage-Husa自适应滤波滚转角测量算法

针对传统扩展卡尔曼滤波算法无法消除量测噪声、导致二维弹道修正引信滚转角测量误差偏大问题,利用轴向陀螺的实测转速作为系统噪声补偿,提出一种基于双旋迫击炮弹平台的改进型Sage-Husa自适应卡尔曼滤波滚转角测量算法。相对于传统扩展卡尔曼滤波方法,新算法显著降低了滚转角测量误差,提高了滤波器对于弹道升弧段和降弧段滚转角新息改变的自适应性;以高精度三轴转台作为硬件实验验证平台,该算法始终能够保持较高的测量精度和自适应性。研究结果表明:改进后的Sage-Husa自适应卡尔曼滤波滚转角测量算法在仿真验证中的滚转角测量误差均值为0.26°、标准差为0.35°;硬件实验验证中的滚转角测量绝对误差不超过4.2°.

基于Sage-Husa算法的自适应平方根CKF目标跟踪方法

在目标跟踪中,噪声的统计特性未知可能会引起滤波精度下降甚至发散,针对该问题,提出了一种新的自适应平方根容积卡尔曼滤波算法。所提方法在常规Sage-Husa算法的基础上采用容积规则,推导出了一种适用于非线性系统的自适应噪声统计估计器。仿真结果显示,相对于标准的平方根容积卡尔曼,所提方法在噪声统计特性未知或时变的情况下滤波精度有显著提高。

改进的Sage-Husa滤波在精确空投组合导航系统中的应用

精确空投导航系统要求在满足导航精度的前提条件下,尽可能的降低成本。而低成本的组合导航系统在空投过程中受外部空投环境的影响较大,给噪声统计特性的准确描述带来困难。这将导致常规卡尔曼滤波器滤波不稳定甚至发散。为了解决此问题,在对常用的Sage-Husa滤波算法进行了总结和分析的基础上,研究了一种将协方差匹配技术和简化的Sage-Husa滤波技术相结合的自适应滤波算法。最后将该滤波方法应用到精确空投组合导航系统中进行了仿真分析。仿真结果表明此算法能够满足精确空投导航任务的要求,并且具有很好的导航精度和可靠性。

Sage-Husa随机加权无迹卡尔曼滤波及其在导航中的应用

在吸收Sage-Husa滤波和无迹卡尔曼滤波优点的基础上,利用随机加权估计算法将传统的定义在线性系统上的Sage-Husa噪声估计器推广到非线性系统中,提出一种非线性Sage-Husa随机加权无迹卡尔曼滤波算法。该算法首先利用Sage滤波的开窗平滑方法求得观测残差向量和新息(预测残差)向量的协方差阵;然后用随机加权自适应因子对观测残差和预测残差进行调节;最后对状态预报向量的协方差矩阵进行自适应随机加权估计,以控制观测残差和预测残差对导航精度的影响。计算结果表明,提出的非线性Sage-Husa随机加权无迹卡尔曼滤波算法,滤波精度明显优于无迹卡尔曼滤波和自适应无迹卡尔曼滤波算法,能够提高组合导航的解算精度。

基于Sage-Husa的优化粒子滤波算法

针对非线性系统噪声未知时粒子滤波容易发散或者精度下降的问题,提出一种粒子滤波和改进的Sage-Husa估计器相结合的混合滤波算法。首先用粒子滤波对系统状态进行初步估计,将初步估计值作为次级Sage-Husa滤波器的输入量测值,并与系统状态方程组成新的系统,进而用改进的Sage-Husa算法实时估计系统噪声的统计特性并进行滤波,得到最终的系统状态估计值;为了进一步比较算法的性能,对算法的复杂度进行了定量计算,分析表明优化的算法并未明显提高算法的计算量;最后通过目标跟踪仿真实验验证了算法的有效性。