分数一阶电路等效模型估计锂离子电池SOC

等效电路模型可用于对锂离子电池进行监控和管理,其精度与复杂性至关重要。选用整数一阶、整数二阶和分数一阶等3种电路模型对锂离子电池进行等效建模,采用基于遗忘因子的递推最小二乘(FFRLS)法辨识模型中的参数,并应用辨识所得的参数,通过扩展卡尔曼滤波算法估计荷电状态(SOC)。对比模型预测的端电压与真实端电压,以及估计所得SOC与真实SOC,发现整数一阶模型估计SOC的误差约为8%,整数二阶模型的误差约为7%,而分数一阶模型的误差仅约为1%。

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。

基于DFFRLS的PMSM自校正PI速度控制策略研究

基于惯量辨识的永磁同步电机自校正PI速度控制具有良好的抗负载扰动性能,但受到惯量辨识过程存在抖动的影响转速响应会产生高频振荡。为抑制高频振荡,提出一种基于动态遗忘因子递推最小二乘法惯量辨识的自校正PI控制策略。首先,构造指数函数形式的动态遗忘因子,分析其跟随辨识误差变化的规律并用于转动惯量辨识。然后,采用“振荡指标法”设计PI参数整定公式,并结合DFFRLS惯量辨识过程进行自校正PI控制。仿真和实验结果表明:改进的DFFRLS有效减小了辨识惯量的抖动幅度;所提ST-PIC调速控制策略在保证转速高性能响应的同时有效抑制了高频振荡。

MAFFRLS算法辨识锂离子电池模型参数

建模方法和模型参数辨识方法会影响锂离子电池状态的准确估计,特别是在动态工况下,因此在线辨识电池模型参数的方法很重要。提出一种改进的自适应遗忘因子递推最小二乘(MAFFRLS)法,优点是在不同误差范围内可以自适应地更新遗忘因子最优值。选用二阶RC等效电路模型,在动态工况下对该算法进行验证。将所提出的算法与递推最小二乘(RLS)法和遗忘因子递推最小二乘(FFRLS)法进行对比。在动态应力测试(DST)工况下,使用RLS、FFRLS和MAFFRLS算法估计电压,平均绝对误差分别为0.0102 V、0.0099 V和0.0046 V,均方根误差分别为0.0155 V、0.0150 V和0.0068 V。MAFFRLS算法的平均绝对误差和均方根误差更小,准确性更高。

基于变遗忘因子的空间太阳能电站时变频率辨识

考虑空间太阳能电站(SSPS)在轨运行时帆板旋转所导致的系统变构型特征,提出一种变遗忘因子广义子空间跟踪器(VFF-GYAST)递推辨识方法,在轨辨识该时变动力学系统的模态频率参数,以提高GYAST方法对于这类时变系统的跟踪能力。基于模态综合技术和子结构方法,建立多旋转关节构型SSPS(MJ-SSPS)的时变姿态-振动耦合动力学方程;根据投影子空间理论,通过计算系统均方差来确定递推过程中的时变遗忘因子,以提高GYAST方法的跟踪性能并辨识得到系统的时变伪模态频率参数。数值仿真结果表明:所提方法能够有效地识别该大型柔性系统的时变频率参数。与传统的递推子空间方法相比,所提方法具有较高的抗噪声干扰能力,在低量测信噪比时所提方法对于频率辨识结果的相对误差的平均值小于5%,且对时变系统的跟踪性能优于基于固定遗忘因子的原始方法。

基于分数阶模型的锂离子电池SOC估计

准确的荷电状态(SOC)估算,有助于延长电池寿命并确保电池安全。由于电荷转移阻抗和扩散阻抗对应的时间常数不同,电池模型参数也不同。研究基于分数阶模型自适应遗忘因子递推最小二乘法(FOM-AFFRLS)的参数辨识,以实时捕捉遗忘因子和参数的变化,并采用扩展卡尔曼滤波估计SOC。FOM-AFFRLS算法的误差为1%,小于分数阶基于遗忘因子的递推最小二乘法(FOM-FFRLS)、整数阶自适应遗忘因子递推最小二乘法(IOM-AFFRLS)和整数阶遗忘因子递推最小二乘法(IOM-FFRLS)等,验证所提方法在动态工况下正常工作时,具有较高的SOC估计精度。该方法能克服错误初始值引起的发散,SOC初值为0.7时,平均绝对误差小于0.068,鲁棒性较好。

基于FFRLS-AUKF的锂电池参数在线辨识及SOC估计

针对锂电池模型参数辨识不准确以及传统无迹卡尔曼滤波(UKF)无法对噪声进行实时更新,从而导致锂电池荷电状态(SOC)估计误差偏大的问题,提出遗忘因子递推最小二乘法-自适应无迹卡尔曼滤波(FFRLS-AUKF)算法。先利用遗忘因子递推最小二乘法(FFRLS)对电池二阶RC等效电路模型进行在线参数辨识,再将所辨识的各参数传给由UKF和改进的Sage-Husa算法结合得到的AUKF,从而完成对锂电池的SOC估计,并将其与FFRLS-UKF以及离线UKF所估计的结果相比较。从对SOC估计的误差曲线和平均绝对误差以及均方根误差的数值上对比,均可得出FFRLS-AUKF的精度更高,稳定性更好。

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。

基于密度函数的模糊混合SOC估计方法

针对传统锂离子电池荷电状态估算中开路电压-荷电状态(OCV-SOC)曲线拟合及估算算法精度的问题,在二阶RC模型的基础上,引入高斯多项式来更好地拟合SOC和开路电压曲线,同时利用带自适应遗忘因子的最小二乘法进行模型参数的在线辨识,并将所得模型参数带入由扩展卡尔曼滤波器和安时积分法组成的模糊混合算法中,最终完成对SOC的估算。实验结果表明,该联合算法能够迅速收敛初始误差,静态恒流下SOC最大误差在1.1%以内,欧洲循环驾驶标准工况(NEDC)下SOC和端电压的均方根误差分别为0.12%和1.82%,具有很好的估算精度和鲁棒性,可以实现对SOC的准确估算。

一种基于μ-S模型的最佳滑移率辨识估计器设计

为了使基于滑移率识别的汽车防抱死控制器实现最优控制,在Kiencke μ-S模型的基础上,利用改进遗忘因子递推最小二乘算法设计了最佳滑移率辨识估计器,并将辨识估计器的最佳滑移率和峰值附着系数估算结果与Burckhardt μ-S模型下的结果进行了对比.将辨识估计器应用于汽车防抱死制动系统的模糊滑模控制器中,在单一路面和跃变路面条件下进行仿真实验.实验结果表明,辨识估计器的误差小、延迟小,基于最佳滑移率识别的防抱死控制器能实现最佳滑移率的在线辨识和快速追踪,有效提升制动效能.

基于二阶近似扩展卡尔曼滤波的锂离子电池SOC估计

为提高电池荷电状态(SOC)估计的准确性,更高阶的扩展卡尔曼滤波(EKF)算法被用来估计SOC值。首先建立锂离子电池一阶Thevenin等效电路模型,采用样条函数来表述开路电压(OCV)和SOC值的函数关系。为更加精确地识别等效电路模型参数,提出一种新的带有可变遗忘因子最小二乘法(VFFRLS)的算法来在线识别模型参数。由于VFFRLS解的精度依赖于算法初始值的设定,为此采用改进粒子群算法求得模型初始参数值,进而得到更加精确的VFFRLS初始值。最后采用二阶EKF来估计电池的SOC值,以此提高估计精度。两组不同的数据集用来证明二阶EKF估计SOC值具有普适性。实验结果表明,二阶EKF在估计不同工况条件下的SOC值时,平均绝对误差(MAE)都保持在1%以内,由此证明了所提方法的有效性。

非对称永磁同步磁阻电机多参数在线辨识研究

针对非对称转子永磁同步磁阻电机(PM-SynRM)的多参数辨识模型存在模型欠秩及辨识过程收敛速度慢、最终辨识值误差大等问题,提出了一种多级可变遗忘因子最小二乘法(MSVF-RLS)的非对称PM-SynRM多参数在线辨识方法。考虑由于转子不对称结构带来的磁链偏移,建立了永磁体磁链偏移角为γ的非对称PM-SynRM的数学模型。为解决辨识方程初期的欠秩问题和最小二乘法的数据饱和问题,分别引入快、慢变参量和多级可变遗忘因子,可以辨识PM-SynRM的定子电阻、直轴电感、交轴电感和磁链4个电气参数,辨识速度快,辨识结果精度高,计算压力小,适用于工程实际应用。通过最大转矩电流比控制(MTPA)对多级遗忘因子最小二乘法的辨识结果与传统最小二乘法的辨识结果加以对比,验证了改进辨识算法的可行性和有效性。

基于FFRLS+EKF的特定工况下铅炭电池SOC估计

提出一种快速、高精度估计铅炭电池荷电状态(SOC)的方法,并在特定工况下进行验证。通过建立等效电路模型,应用MATLAB仿真出SOC曲线,对比遗忘因子递推最小二乘(FFRLS)法+扩展卡尔曼滤波(EKF)估计的SOC与实际SOC曲线的误差,验证算法的精确性和可靠性。在恒流间歇放电特定工况下,使用所提算法估计铅炭电池的SOC,与实际SOC的最大误差不超过0.9%。

基于TVFRLS和SVD-UKF的锂离子电池SOC估算

在汽车复杂运行工况下,传统离线参数辨识方法辨识准确度低,无迹卡尔曼滤波(UKF)算法在估计荷电状态(SOC)过程中,协方差矩阵非正定,导致算法估计SOC失败。提出采用时变遗忘因子递推最小二乘法(TVFRLS)与奇异值无迹卡尔曼滤波(SVD-UKF)算法进行联合在线SOC估计,提高复杂工况下算法的准确性与鲁棒性。通过城市道路循环(UDDS)工况对算法进行验证,TVFRLS与SVD-UKF联合算法模拟仿真的最大绝对误差(AEE)为1.31%、平均绝对误差(MEA)为0.56%、均方根误差(RMSE)为0.75%。相较于传统UKF算法,MEA与RMSE分别降低了60.0%和51.9%。

水下机械手柔顺抓取的阻抗控制方法

针对具有较多不确定性和随机干扰的水下机械手系统,文中分析了水下环境对动力学模型和阻抗控制器的影响,构建了基于环境参数辨识的阻抗控制器来解决水下柔顺抓取的力跟踪问题。通过引入遗忘因子的递推最小二乘法在线辨识环境刚度并修正参考位置,从而减小接触力的稳态误差,实现实时性和准确性的力跟踪。利用MATLAB/Simulink软件平台进行仿真实验,仿真结果表明该控制器在引入持续外部干扰力和期望力调整的情况下,能快速实现对期望力的跟踪和实时估计接触刚度,具有较好的鲁棒性。最后,通过实验验证了该控制器在真实的水下柔顺抓取任务中具有快速稳定的力跟踪性能,其平均稳态力跟踪偏差约为0.014 N,最大力跟踪偏差约为0.138 N。

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。

基于VFFRLS联合AUKF的锂电池SOC估计

锂电池的荷电状态估计(SOC)在动力电池管理系统中占有重要地位,准确的SOC预测是锂电池安全工作的关键保证。文章针对由电池模型的参数固定而导致模型参数辨识准确性不够以及传统无迹卡尔曼滤波精度较低、稳定性差等问题,采用可变遗忘因子最小二乘算法(VFFRLS)对电池模型进行在线参数辨识,再联合自适应无迹卡尔曼滤波算法(AUKF)来估计SOC。在UDDS工况下对联合估计算法进行验证,实验结果表明,联合估计算法可将SOC估计误差控制在2.07%以内,能够有效提高SOC估计的准确性和鲁棒性。

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。

内置式永磁同步电机精确参数的MTPA控制

内置式永磁同步电机(IPMSM)由于转子磁路不对称,最大转矩电流比(MTPA)控制可充分利用该特性提高电机带载能力。在实际控制中,IPMSM的电气参数会因磁饱和、温度变化而发生波动,导致实际MTPA控制偏离预定轨迹,无法实现精确控制。针对参数变化,在电动汽车中MTPA控制多采用查表法,但制作查询表格过程复杂且耗时。针对上述问题,文中采用遗忘因子递推最小二乘法对电机参数进行在线辨识,并将得到的实时参数用于MTPA控制,提高了鲁棒性和准确性;运用MTPA控制下定子电流与交、直轴电流的关系得到交、直轴电流给定值,该控制策略原理简单,易于实现。通过Matlab/Simulink搭建控制系统模型进行了仿真研究,其结果验证了所提方法的准确性和有效性。

基于自适应容积卡尔曼滤波算法的镁空气电池SOC估算

目的:电池荷电状态是镁空气电池的重要参数,镁空气电池作为应急电源时需要更加精确的荷电状态估算精度。方法:本文对其建立二阶RC等效电路模型进行研究,提出自适应遗忘因子的递推最小二乘法进行模型参数的辨识,对辨识后的参数进行仿真验证,得出端电压的绝对误差小于29 mV。利用扩展卡尔曼、无迹卡尔曼、容积卡尔曼滤波算法,获得了电池参数、放电电压电流与电池荷电状态之间的关系,在此基础上本文提出了一种噪声自适应变化的容积卡尔曼滤波算法。结果:最终通过仿真表明,该算法误差较小,与实际测得的SOC误差为1.325%。结论:本算法在预估镁电池荷电状态上准确度更高,可行性与有效性更佳,满足应急电源监控系统的要求。