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。

GNSS/MEMS IMU车载组合导航中IMU比例因子误差的影响分析

从系统状态模型出发,分析比例因子误差对组合导航精度和计算量的影响,同时基于车载运动的特点分析比例因子误差的观测性,提出一种仅保留航向陀螺仪和水平加速度计比例因子误差的降维状态模型。实验结果表明,当比例因子误差大于6×10^(-3)时,增广比例因子误差有助于提高导航精度,但计算量增加约170%;降维模型能够达到高维模型的导航精度,与不增广比例因子误差相比,计算量仅增加约70%。

锂电池自适应无迹H∞滤波SOC估计研究

荷电状态(state of charge,SOC)作为表征锂电池剩余电量的关键指标,其精确估计对于合理使用电池电量、保障电池安全具有重要意义。本文针对基于H∞滤波(H infinity filter,HIF)估计SOC时鲁棒性好但估计精度低的问题,提出一种自适应无迹H∞滤波(adaptive unscented H infinity filter,AU_HIF)SOC估计方法,以提高SOC估计精度。首先,选择能够在精度和复杂度间取得良好平衡的双极化(dual polarization,DP)等效电路模型进行新型估计算法的设计;其次,结合无迹卡尔曼滤波(unscented Kalman filter,UKF)算法相比于传统扩展卡尔曼滤波(extended Kalman filter,EKF)算法更适用于非线性系统状态估计的特点,文章基于先验误差协方差矩阵设计新型渐消因子,实现自适应无迹H∞滤波算法的设计,以减小陈旧测量值对估计结果的影响,提高滤波算法的跟踪能力及估计精度。最后,通过搭建自主实验平台获取实际模拟工况数据,验证了文章所提自适应无迹H∞滤波算法相比于传统H∞滤波算法、传统UKF算法和其他类型改进H∞滤波算法具有更高的估计精度及更好的鲁棒性。文章研究内容对提高新能源汽车、储能电站等电池系统的SOC估计精度具有重要意义。

基于卡尔曼滤波的慕课学习行为智能预测方法

为了降低慕课退课率,提升慕课教学质量,研究基于卡尔曼滤波的慕课学习行为智能预测方法。利用华为nova 5 pro的IMX582型摄像头,采集慕课环境中的学习行为数据;利用自回归积分滑动平均模型,依据采集的学习行为数据,建立慕课学习行为观测模型,并转换成状态空间模型;以状态空间模型的计算结果为卡尔曼滤波的初始状态向量;通过卡尔曼滤波更新初始状态向量,获取慕课学习行为的智能预测结果;在卡尔曼滤波内引入渐消因子,以及协方差匹配判据的方法,补偿卡尔曼滤波内后验协方差矩阵的不确定性,修正卡尔曼滤波输出的慕课学习行为智能预测结果。实验证明,该方法智能预测精度较高,应用该方法后可有效降低慕课退课率,提升学习者的学习活跃度。

扩展卡尔曼滤波的改进蛇定位算法在WSN中的应用

针对接收信号强度指示(Received Signal Strength Index,RSSI)定位易受到环境因素的影响,提出了一种基于RSSI扩展卡尔曼滤波的改进蛇定位算法(RSSI Extended Kalman Filter-based Improved Snake Optimization Localization Algorithm,RSSI-EISL)。该算法利用扩展卡尔曼滤波(Extended Kalman Filter,EKF)模型对RSSI信号值进行平滑处理,使其能够抑制噪声和异常值对估计结果的影响,从而提高测距的准确性和鲁棒性。通过引入Levy飞行和非线性收敛因子的改进蛇优化算法(Improved Snake Optimization Algorithm,ISO),提升了蛇优化算法(Snake Optimization Algorithm,SO)的寻优能力,使之能够更加准确地计算出待测节点的坐标。根据仿真结果显示,相较于基于RSSI最小二乘定位算法(RSSI Ordinary Least Squares Localization Algorithm,ROL)、基于RSSI EKF的灰狼定位算法(RSSI Extended Kalman Filter-based Grey Wolf Optimization Algorithm,REGL)和基于RSSI EKF的蛇定位算法(RSSI EKF-based Snake Optimization Localization Algorithm,RESL),RSSI-EISL的定位精度分别提高了26.4%、8.75%和5.6%,算法的收敛速度和全局搜索能力也有所提升。

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。

滤波器弹性的深度神经网络通道剪枝压缩方法

深度神经网络(deep neural network,DNN)在各个领域获得了巨大成功,由于其需要高额的计算和储存成本,难以直接将它们部署到资源受限的移动设备端。针对这个问题,对网络中的全局滤波器重要性评估进行了研究,提出滤波器弹性的通道剪枝压缩方法以轻量化神经网络的规模。该方法先设置层间局部动态阈值改进L1正则化(L1 lasso)稀疏训练中剪枝过度的不足;然后将其输出乘以通道缩放因子替换普通的卷积层模块,利用滤波器的弹性大小定义全局滤波器的重要性,其数值由泰勒公式估计得出并排序,同时设计新的滤波器迭代剪枝框架,以平衡剪枝性能和剪枝速度的矛盾;最后利用改进的L1正则化训练和全局滤波器重要性程度进行复合通道剪枝。在CIFAR-10上使用所提方法对VGG-16进行实验,减少了80.2%的浮点运算次数(FLOPs)和97.0%的参数量,而没有明显的准确性损失,表明了方法的有效性,能大规模地压缩神经网络,可部署于资源受限的终端设备。

基于自适应强跟踪Kalman滤波的GNSS跟踪环路设计

为提高GNSS接收机跟踪环路在复杂环境下的跟踪性能,提出一种基于自适应强跟踪Kalman滤波(ASTKF)的跟踪环路,在传统跟踪环路的基础上,以鉴相器输出为观测量进行自适应强跟踪Kalman滤波,滤波结果用于计算导航滤波器的观测量,同时将伪码频率和载波多普勒频率反馈到码NCO和载波NCO,在ASTKF中使用基于卡方分布的渐消因子计算方法,提升跟踪环路鲁棒性。半物理仿真实验表明,相比于基于Kalman滤波的跟踪环路和基于强跟踪Kalman滤波(STKF)的跟踪环路,所提出方法在水平方向上的位置误差和速度误差减小20%以上,有效提高了卫星导航接收机的定位性能。

一种状态约束下的抗差自适应联邦滤波算法

充分利用先验约束信息可以提高多传感器组合导航的定位精度和可靠性。将状态约束下的卡尔曼滤波扩展到传统联邦滤波中,提出一种状态约束下的联邦滤波算法。当子传感器出现异常时,在状态约束下的联邦滤波基础上,采用Huber方法调整子滤波器观测噪声矩阵,同时在信息分配阶段引入自适应信息分配因子,实时调整子滤波器融合权重,得到一种状态约束下的抗差自适应联邦滤波算法,以进一步减少不准确的子滤波器估计对融合结果的影响。将该方法应用在捷联惯导、全球导航卫星系统和里程计的多传感器组合导航系统中。仿真实验表明,状态约束下的联邦滤波估计精度优于传统联邦滤波,状态约束下的抗差自适应联邦滤波能够进一步提高观测异常下的导航定位精度和可靠性。

改进的自适应扩展卡尔曼滤波雷达目标跟踪算法

卡尔曼滤波是雷达目标跟踪场景最常用的目标状态跟踪估计算法,但针对非线性运动模型和噪声模型适配失配后,其滤波算法跟踪精度会出现下降。针对这些问题,提出一种机动目标场景下改进自适应扩展卡尔曼滤波的雷达目标跟踪算法,通过目标位置偏差范围来修正预测的位置信息,使用BP神经网络算法来自适应进行扩展卡尔曼滤波(extended kalman filter,EKF)算法预测信息结果的修正;根据噪声影响情况,提出基于实际情况可调的更新因子,用于进行修正后的EKF预测位置信息、测量信息和修正后的BP-EKF预测信息值的权重处理,基于优化模型,自适应选择最优的位置预测信息。仿真分析表明,所提出的算法在目标跟踪的滤波精度和稳定度都得到提升。

基于FFRLS和ASR-UKF滤波算法的锂电池SOC估计

锂电池在工作过程中,其内部参数易受多种因素影响,为提高锂电池在复杂环境下荷电状态(SOC)估计精度,以二阶戴维宁(Thevenin)等效模型为基础,结合遗忘因子递推最小二乘法(FFRLS)对模型参数进行在线辨识。针对传统卡尔曼滤波算法高度非线性及系统噪声不确定性等缺点,提出了一种自适应平方根无迹卡尔曼滤波(ASR-UKF)算法,该算法利用平方根算法处理均值和协方差,确保了状态协方差的半正定性和稳定性,并引入自适应滤波算法对噪声进行实时修正,消除了系统时变噪声影响。结果表明,FFRLS能有效解决数据饱和及算法矩阵计算量大的问题,等效模型精度高达98%。在混合动力脉冲特性(HPPC)测试和北京公交动态测试工况(BBDST)下,ASR-UKF算法SOC估计最大误差分别为3.264%和0.572%,具备更好的跟踪效果,验证了改进算法良好的收敛性与自适应性。

一种针对组合导航滤波发散问题的改进算法

为解决车载组合导航系统中卡尔曼滤波器发散、无法准确跟踪误差变化等问题,设计了一种改进的自适应滤波算法。算法从原理上推导了滤波发散判断依据,结合了Sage-Husa滤波与渐消因子算法,在滤波过程中引入了新息衰减因子,通过对新息协方差进行判断,切换滤波器均方误差阵的更新策略,当出现滤波发散时采用多重渐消因子算法使滤波状态回归正常。对改进后的算法进行了捷联惯导/里程计组合导航仿真试验及实际跑车试验,试验结果表明改进后的自适应滤波算法可以抑制组合导航滤波发散,滤波器适应能力与稳定性得到增强。

基于压缩映射改进的粒子滤波声源跟踪方法

针对声源目标因运动突变而产生的跟踪精度降低的问题,提出了一种基于压缩映射改进的粒子滤波声源跟踪方法。首先利用瑞利分布对加速度信息进行修正,并将其引入到目标运动模型中以增强声源信息的维度;其次将采样粒子集压缩映射到目标运动界限范围内,从而提高声源目标估计的准确性;最后引入退火因子改善粒子集因压缩映射带来的样本匮乏问题。实验结果证明方法不仅在一般的声源运动中同样效果较好而且适应于突变运动,具有一定的鲁棒性。

考虑多种权重因子的改进叠加滤波方法

针对在提取区域GNSS时间序列共模误差时会存在忽略站间相关性的问题,本文在已有叠加滤波的研究基础上,引入单日解精度、相关系数和距离因子等多种权重因子,提出了考虑多种权重因子的改进叠加滤波方法,并选取山西省测站数据以验证该方法的适用性。结果表明:利用本文的改进叠加滤波方法,测站坐标残差时间序列的均方根在N、E、U 3个分量上可分别平均降低48.53%、39.42%、48.61%,滤波对N、E方向上的速度影响为0.5 mm/a,U方向上为1 mm/a。相较于区域叠加滤波,改进后的方法可使残差时间序列的均方根进一步降低20%~40%,能更加准确地提取共模误差,为区域地壳运动及动力学的分析研究提供精细可靠的数据支持。

自适应无迹卡尔曼滤波算法在水下组合导航系统中的应用

【目的】解决水下组合导航系统中先验噪声与实际噪声分布不匹配时,融合滤波性能下降问题,提高自主式水下航行器导航精度。【方法】提出一种自适应无迹卡尔曼滤波算法(AUKF),在融合算法中引入自适应因子;重构系统状态方程中速度项与状态变量的结合方式,解决系统方差不一致问题。通过仿真实验和半物理实验验证该算法的有效性。【结果与结论】与无迹卡尔曼滤波算法相比,在平均位置估计偏差上,AUKF算法的纬度均方根误差(RMSE)降低27%,经度RMSE降低27%,高度RMSE降低25%。AUKF在面对偏差对系统状态的扰动时能够有效抑制滤波发散,从而有效地提高自主式水下航行器的导航精度。

基于自适应无迹卡尔曼滤波算法的锂电池荷电状态预测

针对无迹卡尔曼滤波在噪声不稳定和工况复杂的情况下锂电池荷电状态预测准确度低的问题,提出基于二阶等效RC电路模型,采用遗忘因子递推最小二乘法对模型参数进行辨识,使用自适应无迹卡尔曼滤波算法(AUKF)对锂电池荷电状态进行预测,最后在DST数据工况下,验证预测模型的准确性。对无迹卡尔曼滤波(UKF)算法和提出的AUKF算法进行仿真对比,结果表明:所提算法的最大误差在±0.02之内,预测精度更高、适用性更强。

基于正则化与恒星日滤波的BDS多路径误差削减方法

在重构的载波相位单差残差基础上,利用分段思想估计北斗卫星的多路径重复时间,分别采用正则化方法和经典小波滤波方法提取载波相位单差残差的多路径信号,得到“干净”的单差残差序列。实验结果表明,利用Tikhonov正则化方法正确提取多路径信号是可行的,多路径信号比原始测量残差更具平滑性,并进一步优化了正则化参数的估计方法。利用优化后的Tikhonov正则化方法与恒星日滤波后,载波相位单差残差平均改进40.5%;坐标残差E、N、U方向分别改进24.8%、26.3%和42.7%。无论是观测值域还是坐标域,优化后的Tikhonov正则化方法较传统的小波滤波方法更具优越性。

抗差Vondrak滤波方法在时间频率传递中的应用

时间频率传递的结果会受到非模型化误差和观测噪声的影响,其噪声常为高频信号,构建低通滤波器可在一定程度上消除观测值序列中的高频噪声信号.本文对Vondrak滤波函数的本质进行剖析,通过IGG3算法对钟差序列进行定权并采用频率响应法选择适合的滤波因子;对不同的链路分别进行卫星双向时间频率传递(two-way satellite time and frequency transfer,TWSTFT)、基于软件接收机的卫星双向时间传递(two-way satellite time and frequency transfer based on software defined receiver,SDR-TWSTFT)和短基线共视时间频率传递实验,并对钟差结果采用抗差Vondrak滤波进行平滑去噪.结果表明:滤波后的钟差序列能够很好地反映原始钟差序列的趋势;平滑后的TWSTFT钟差结果,日波动效应得到了有效的抑制,精度有明显提升;对于共视钟差结果,精度有明显提升,与精密单点定位(precise point positioning,PPP)时间传递结果的差值保持在−1.0~1.0 ns范围内.

基于Allan方差的改进自适应滤波SINS/GNSS导航算法

针对系统噪声和量测噪声均发生变化时,现有自适应卡尔曼滤波容易发散导致SINS/GNSS导航精度下降的问题,提出了一种基于Allan方差的改进自适应滤波SINS/GNSS导航算法。该方法在对自适应滤波进行改进的基础上,结合Allan方差估计法计算量测噪声协方差阵,克服了自适应滤波中噪声参数耦合以及高维度系统出现奇异性导致滤波发散问题,并利用残差χ2故障检测法对系统状态进行判断,对遗忘因子进行动态调整,对噪声特性跟踪效果更快速,相比其他改进方法简单易实现。仿真结果表明,与卡尔曼滤波,Sage-Husa自适应滤波相比,所提出的算法对噪声有较好的估计效果,且导航精度更高,滤波稳定性更好,速度均方误差平均可比传统Kalman滤波提高49.06%,较Sage-Husa自适应滤波提高27.19%;位置均方误差平均可比传统Kalman滤波提高41.12%,较Sage-Husa自适应滤波提高19.79%。