自适应卡尔曼滤波法磷酸铁锂动力电池剩余容量估计

卡尔曼滤波法在估计动力电池的剩余容量(SOC)时,由于系统噪声的不确定,可能导致算法不收敛,而且算法的估计性能受模型精度的影响,笔者采用自适应卡尔曼滤波法来动态地估计电动汽车用磷酸铁锂动力电池的SOC。首先对电池模型进行了研究,建立了适用于SOC估计的电池模型,然后设计了相应的电池充放电实验检测到模型的参数,并进行了验证,最后将自适应卡尔曼滤波法应用到该模型,在未知干扰噪声环境下,在线估计电池的SOC。仿真结果表明：自适应卡尔曼滤波法能够实时修正微小的模型误差带来的SOC估计误差,估计精度高于卡尔曼滤波法,且自适应卡尔曼滤波法对初值误差具有修正作用。实车循环行驶实验表明算法适用于磷酸铁锂动力电池的SOC估计。     

基于SVD的抗差UKF算法在短时交通流状态估计中的应用

针对城市区域快速路网,以实现交通流运行状态实时估计为目标,建立宏观交通流状态空间模型,在实现交通流状态估计的同时,更新交通流模型参数,提高交通流模型的适应性和准确性.然后提出了基于奇异值分解(SVD)的优化抗差无损卡尔曼滤波(UKF)算法,用奇异值分解代替标准UKF的Cholesky分解,解决了协方差矩阵非正定时滤波计算不能持续的问题,同时,该算法根据观测协方差矩阵是否病态选择抗差因子,对增益矩阵和观测协方差矩阵进行自适应计算,进而抑制由于模型较高的非线性带来的误差.通过实验证明,文中所提算法避免了扩展卡尔曼滤波(EKF)算法的滤波发散问题,能准确跟踪交通流的变化趋势,提高交通流状态估计的稳定性和精度.     

采用等效电路的参数自适应电池模型及电池荷电状态估计方法

针对电池离线参数辨识复杂、模型系统误差无法在线校正等问题,提出基于等效电路的参数自适应电池模型及电池荷电状态估计方法。该方法设计了针对动力电池的自适应参数观测器并证明了稳定性,通过在线估计电池参数从根源校正模型误差,建立滑动平均滤波器对估计参数滤波降噪,利用多时间维度思想周期性更新电池模型,并结合卡尔曼滤波算法进行荷电状态估计。搭建电池充放电测试平台进行实验,实验结果表明:城市道路循环工况下,基于参数自适应电池模型的卡尔曼滤波电池荷电状态估计误差小于3%。该算法简单、准确、适应性强,对于多变环境、长周期使用条件下的动力电池监测具有较高的实用价值。     

基于DAEKF算法的锂离子电池主要状态在线联合估计

为实现三元锂离子电池荷电状态（SOC）、能量状态（SOE）和健康状态（SOH）这3种主要状态的在线联合估计，并应对电动汽车实际使用工况中各种噪声干扰带来的开环累积误差问题，提高锂离子电池在线估计的稳定性，提出了一种基于双自适应扩展卡尔曼滤波（DAEKF）算法的三元锂离子电池多时间尺度主要状态在线联合估计方法。在二阶RC模型基础上推导DAEKF算法的状态空间方程，用带遗忘因子的递推最小二乘法（FFRLS）进行在线参数辨识，以微观时间尺度进行锂离子电池SOC和SOE的在线估计，以宏观时间尺度进行锂离子电池SOH的在线估计，从而实现锂离子电池3种主要状态的在线联合估计。最后，以NVR18650B型三元锂离子电池的不同运行工况对所提出的方法进行实验验证。实验结果表明：在两种验证工况下，文中方法都能够快速收敛辨识模型参数，微观时间尺度中SOC和SOE的估计误差均稳定保持在1%以内，宏观时间尺度中SOH的估计误差稳定保持在1.6%以内；与EKF算法相比，文中所提出的方法具有更高的估算精度以及更好的估计收敛性和稳定性。     

车辆纵向力和质心侧偏角层级估计方法设计与验证

为提高车辆状态估计结果的精度与可靠性,设计了一种车辆纵向力和质心侧偏角层级估计方法。研究了一种用于车辆行驶状态估计的加权容积卡尔曼滤波,采用移动窗估计法调整测量噪声的协方差矩阵,根据不同时刻信息对测量噪声统计的有用性,动态调整窗口中不同时刻信息的权重,从而提高车辆状态观测器的滤波精度。根据电驱动轮模型特点,并考虑轮胎松弛长度来构造纵向力微分方程,从而设计了纵向力观测器。在纵向力估计的基础上,将上层的纵向力估计值视为伪量测值,利用三自由度车辆动力学模型设计了基于级联卡尔曼滤波的车辆行驶状态估计策略,实现了车辆质心侧偏角估计。进行了变速正弦转向工况和定速Fishhook转向工况下的CarSim/Simulink联合仿真试验以及实车试验,结果表明:所提方法整体估计精度相比扩展卡尔曼滤波提升了6.82%,具有较高的估计精度和实时跟踪效果,满足车辆应用需求。     

基于深度神经网络-近似线性网络混合模型的电力系统状态估计方法

为提高电力系统实时状态估计的精度和计算效率,解决电网电压波动频发、潮流分布的不确定性剧增等问题,通过提出一种基于深度神经网络和近似线性网络模型的电力系统状态估计方法,研究了其在电网的应用。该方法将混合系统量测数据通过粒子滤波算法得到样本集,利用训练样本训练所提出的混合神经网络模型,最后将测试样本输入已建立的模型中获得系统状态的估计结果。通过IEEE118节点系统进行的负载数据仿真实验表明：基于混合神经网络模型的电力系统状态估计方法不仅能快速进行海量数据训练,还能有效避免过拟合;在实时状态估计的精度和计算效率方面相较于高斯-牛顿法均有提高。可见所提方法在电力系统实时状态估计方面具有一定的应用价值。     

一类非线性动态系统的参数辨识和状态估计

为了对青霉素发酵过程采用计算机控制，提出了一种适合于一类非线性动态系统参 数辨识的方法。同时，根据在线获取的可测信息（二氧化碳释放率），利用随机状态估 计原理，实时估计了青霉素发酵过程中不可测的状态变量（菌体浓度、基质浓度、产 物浓度）。对实验室和生产现场提供的几批数据进行了计算机仿真，结果表明：文中所 提供的技术方案对青霉素生产过程实现状态监控是可行的。     

基于UKF的参数和状态联合估计

对于因模型参数失配造成的非线性系统状态估计不准确现象,采用基于不敏卡尔曼滤波(UKF)的参数和状态联合估计方法,即将未知模型参数和状态组成增广的状态向量,用UKF同时获得参数和状态估计值.通过一个离散非线性随机系统的蒙特-卡洛仿真,总结滤波器参数对联合估计器性能的影响及参数选择规律.最后将该方法应用于一个典型的化工反应过程,获得了较好的效果.     

发酵过程中比生长率的在线估计

提出了一种基于在线可测的二氧化碳释放率的需氧发酵过程中比生长率的在线估计方法,并且采用优化的方法进行模型中重要参数的选择.由于二氧化碳释放率容易检测,所以这种估计方法非常容易实现.在诺西肽发酵过程的应用中,利用所提出的方法得到比生长率,进而计算生物量,得出的估计值与实验值吻合得很好,表明了该估计方法的可靠性与实用性.     

基于AFFDRLS-AHIF对动力锂离子电池单体SOC估计

针对动力锂离子电池的SOC估计,提出一种带自适应遗忘因子的阻尼递推最小二乘法(AFFDRLS)联合改进的自适应H∞滤波(AHIF)的方法对动力锂离子电池的荷电状态(SOC)估计.建立了磷酸铁锂动力电池单体的戴维南(Thevenin)等效电路模型,以AFFDRLS在线辨识模型参数,以AHIF实时在线估计电池单体的SOC,实现了电池单体的模型参数和SOC的实时联合估计.在Matlab/Simulink中建立了AFFDRLS-AHIF的仿真模型,以估计磷酸铁锂动力电池单体的SOC.根据某电动乘用车分别在NEDC和UDDS工况下的功率需求进行单体实验,测得动力电池单体的电流、电压,并以此作为输入,采用所建立的仿真模型进行动力电池单体的SOC估计;并且与传统扩展卡尔曼滤波法(EKF)和HIF的SOC估计结果比较,结果表明:AFFDRLS-AHIF的估计精度高且鲁棒性好,可以为车辆使用的动力电池SOC估计提供参考.     

基于鲁棒UKF 的永磁同步电机转子速度估计

针对无位置传感器直驱永磁同步电机系统(DD-PMSG: Direct-Driven Permanent Magnetic Synchronous Generator), 无迹Kalman 滤波(UKF: Unscented Kalman Filtering)方法鲁棒性不高的问题, 提出了基于一种新的鲁棒UKF 的转子速度估计方法。该方法将DD-PMSG 模型转化为由发电机机电状态与定子参数组成的增广方程形式。运用鲁棒UKF 算法, 可同时辨识发电机的机电状态和定子不确定参数动态, 使估计发电机参数不确定的鲁棒性得以改善。仿真结果表明, 与传统UKF 方法相比, 该方法对存在不确定性及非高斯噪声的系统模型具有较强的鲁棒性。     

酵母细胞流加培养过程的建模与预估控制

建立了包括菌体浓度 X、底物浓度 S、培养液体积 V为状态变量的酵母流加发酵过程的非结构动力学模型 ;基于该模型 ,提出了一种克服被估变量的累积误差的一步预估方法 ,用以估计难以可在线测量的菌体浓度、底物浓度等生化状态变量 ,并根据预估结果 ,进行流加操作。该方法应用于酵母流加培养 ,酵母对糖得率由 35 .1%提高到 40 .2 %。     

基于运行状态识别的无人机航迹预测

无人机航迹预测对于无人机冲突检测、任务规划及异常管控至关重要。在很多情况下难以为无人机这种复杂系统建立精确的物理模型,给基于模型的滤波方法带来一定难度。为解决上述问题,提出一种基于运行状态识别的无人机高斯过程-无味卡尔曼滤波的混合估计方法。首先,利用运行状态识别机制将无人机运行数据分为不同数据段,以确定无人机实时状态并提高预测模型的适应性;然后,根据不同的运行状态,从航迹数据中学习高斯过程递归模型,将其作为无味卡尔曼滤波器的状态转移方程,以实现更高的预测精度;最后,利用动作捕捉系统采集的真实无人机运行数据验证了所提出方法的有效性,利用均方误差检验了方法的精确度。     

带随机参数线性系统参数和状态估计的两阶段卡尔曼滤波算法

本文提出了一种带随机参数线性系统参数和状态估计的两阶段卡尔曼滤波算法.先利用卡尔曼滤波器和参数的观测信息作出参数的估计;然后把参数估计值代入状态方程得到原状态方程的近似,再次利用卡尔曼滤波器和观测信息作出状态的估计.优点是节省计算量,同时,估计的精度也有所提高.     

Marginalized cubature Kalman filtering algorithm based on linear/nonlinear mixed-Gaussian model

Aiming at improving the estimation accuracy and real-time of nonlinear system with linear Gaussian sub-structure,a novel marginalized cubature Kalman filter is proposed in Bayesian estimation framework. Firstly,the marginalized technique is adopted to model the target system dynamics with nonlinear state and linear state separately,and the two parts are estimated by cubature Kalman filter and standard Kalman filter respectively. Therefore,the linear part avoids the generation and propagation process of cubature points. Accordingly,the computational complexity is reduced.Meanwhile,the accuracy of state estimation is improved by taking the difference of nonlinear state estimation as the measurement of linear state. Furthermore,the computational complexity of marginalized cubature Kalman filter is discussed by calculating the number of floating-point operation. Finally,simulation experiments and analysis show that the proposed algorithm can improve the performance of filtering precision and real-time effectively in target tracking system.     

基于交互式多模型无迹卡尔曼滤波的锂电池荷电状态估计

为了提高传统卡尔曼滤波法估计锂电池荷电状态(SOC)的精度,在锂电池二阶RC等效电路模型基础上,根据隐马尔科夫模型(HMM)理论并采用遗传算法优化构造出了不同参数状态的电池模型。结合交互式多模型(IMM)算法与无迹卡尔曼滤波(UKF)算法进行SOC估计,提出了一种基于HMM的IMM-UKF算法估计锂电池SOC的方法。锂电池在线SOC估计实验表明,该方法比较其他估计方法有着更高的估计精度,平均绝对误差仅为1%。     

极限行驶条件下车辆质心侧偏角观测器设计

用非线性车辆模型线性化方法,设计了基于广义卡尔曼滤波器和广义龙贝格观测器的质心侧偏角估计算法.给出考虑了轮胎非线性特性的扩展二自由度车辆模型,用非线性最小二乘法拟合轮胎模型的参数;分析非线性模型的能观性,并通过局部线性化方法,将非线性模型在当前状态处线性化,并得到近似的线性模型;设计了广义卡尔曼滤波器和线性化龙贝格观测器,并证明观测器的稳定性;最后,通过典型的操纵稳定性试验,验证算法的有效性.极限行驶工况下采用非线性模型线性化的方法,能获得更高的估计精度.     

耦合集合卡尔曼滤波的非线性参数估计

准确的参数对于非线性模型或者函数有极为重要的意义。但是在实际应用中,输入的参数常常带有一定的偏差,因此在预测中非线性模型(函数)往往得不到满意的结果。把集合卡尔曼滤波方法引入到非线性模型(函数)的参数估计中,并采用基于联合状态向量的方法在同化时刻同时更新模型(函数)的状态和参数,该方法可以通过同化观测数据,动态地调整参数和结果,使得参数能够自适应地变化,同时也能较好地释放积累的模型误差。将该方法应用于随时间变化的二维非线性模型(函数)中,实验表明,该方法能够准确地估计出模型参数值,同时也表现出很好的鲁棒性和自适应性。     

基于自适应UKF的锂离子动力电池状态联合估计

针对由静态的电池模型参数而造成的状态估计累计误差、噪声统计特性的时变不确定性等实用化的问题,基于无迹卡尔曼滤波(unscented Kalman filter, UKF)框架设计了一种自适应UKF的电池状态联合估计算法.在无迹变换(unscented transform,UT)时,对量测方程进行准线性化处理,降低了循环迭代过程中的计算开销;利用带遗忘因子的Sage-Husa自适应估计方法对过程噪声的统计特性参数进行递推估计与修正,提高了UKF估计算法的自适应容错能力;实时跟踪滤波的收敛性,若呈发散趋势时,通过自适应衰减因子对误差协方差进行调整以抑制滤波发散,保证了滤波过程的数值稳定性;采用联合估计策略对一阶Thevenim电池欧姆内阻模型参数进行在线更新,以确保动态测试工况下电池模型的准确性,从而提高了电池荷电状态(state of charge,SOC)以及电池健康状态(state of health,SOH)的估计精度.实验与仿真结果验证了该电池状态联合估计算法的可行性与有效性.