采用权值配比优化的超级电容等效电路模型参数辨识

为提高超级电容模型的精度,提出了一种基于权值配比优化的超级电容等效电路模型参数辨识方法。在新威尔测试平台上对超级电容进行多种工步条件测试。基于超级电容三分支等效电路模型,分别采用递推最小二乘法和双线性变换方法辨识模型中各分支的相关参数。结合不同工步条件下2种参数辨识方法的优缺点,引入权值配比优化方法对超级电容等效电路模型的各分支参数进行修正。搭建超级电容等效电路模型,将模型计算结果与实验测试结果进行比较,验证了权值配比优化方法的有效性。与递推最小二乘法和双线性变换方法相比,采用权值配比优化方法可以更加准确地反映超级电容的特性,模型的精度分别提高了1.45%和1.78%。     

基于最小二乘法的锂离子电池参数辨识方法研究

目的 针对使用戴维南等效电路模型对锂电池进行参数辨识不够精确的问题,提出一种二阶 RC 等效电路模 型并对锂电池进行参数辨识。 方法 通过脉冲放电实验得到锂电池的相关数据,在 MATLAB 上使用最小二乘算法 对所建立的二阶 RC 等效电路进行参数辨识,并对不同 SOC(State of Charge)下锂电池各个参数的变化情况进行分 析,通过计算锂电池的端电压来判断参数辨识的精确度,最后将辨识结果与戴维南等效电路模型所辨识的结果进 行对比并分析。 结果 随着锂电池 SOC 下降,锂电池的各个参数会有轻微的波动,在锂电池的 SOC 处在较低的水平 时,锂电池的各个参数变化比较剧烈,这是由于锂电池的化学浓差极化所导致的,当将辨识的参数用来求解锂电池 的端电压时,随着时间的推移,发现锂电池的端电压的误差波动比较稳定,且最大误差不超过 0. 05 V,反观使用戴 维南等效电路模型求得锂电池的端电压误差波动比较大,且最大误差超过了 0. 08 V。 结论 在锂电池参数辨识上 二阶 RC 等效电路比戴维南等效电路更加准确,能够更好地描述锂电池的动静态特性,为后续对锂电池的荷电状 态估计提供了有力的基础。     

超级电容器时变等效电路模型参数辨识与仿真

为能更准确地描述超级电容器在工作过程中的外特性,在超级电容器经典等效电路模型的基础上,将其扩展为模型参数随时间变化的时变等效电路模型,并选用限定记忆最小二乘法辨识模型的时变参数.在Matlab/Simulink环境下利用实验数据对经典等效电路模型和时变等效电路模型进行仿真比较.结果表明,时变等效电路模型具有更高的精度,可以更精确地反映超级电容器的动态特性.     

基于非线性观测器的超级电容器荷电状态在线估计

超级电容器具有快速充放、高功率密度和长寿命等优点,被广泛用于新能源汽车的储能系统.系统可靠运行需获取其剩余电量,即对其荷电状态(SOC)进行估算.依托超级电容单体的等效模拟电路模型,建立了以模型中多电容端电压为状态,电容器输入电流为控制输入,电容器输出电压为观测输出的电容器二阶非线性系统的状态空间模型,包含了自放电现象产生的泄漏电流的因素.为提高模拟精度,辨识不同的模型参数,分别刻画充电和放电工况.采用非线性观测器算法来获取模型内部状态从而实现对SOC的估计.充放电实验的结果表明,考虑泄漏因素和建立不同参数下的充放电模型,能够更好地模拟超级电容器的动态特性,同时验证了非线性观测器算法具有稳定的跟踪能力.     

RLS算法在碳基超级电容器参数辨识中的应用

为改善传统碳基超级电容器模型不能同时兼顾简易性和精确性的缺点,提出一种解决碳基超级电容器模型参数辨识问题的新方法.构建一种能充分描述超级电容工作特性的参数辨识电路模型,采用带遗忘因子的最小二乘法(RLS)对电路参数进行辨识,并通过恒流充电实验方法及仿真研究对充电过程的电压和电流进行测量和比较.研究结果表明:该电路模型能克服传统最小二乘法易出现数据饱和的缺点,得到更为精确的模型辨识参数.     

基于最小二乘支持向量机动态逆的非线性系统自适应控制

提出基于最小二乘支持向量机动态逆的一种非线性系统自适应控制方法.该方法采用最小二乘支持向量机辨识非线性系统的动态逆模型,并将其串联在原系统之前得到复合的伪线性系统.对于建模误差、不确定因素等引起的非线性系统逆误差,采用在线最小二乘支持向量机进行自适应补偿.最小二乘支持向量机的在线参数调整规律由Lyapunov稳定性理论导出,并证明了非线性闭环系统的稳定性.仿真结果证明了该方法的有效性.     

锂离子电池健康状态多因子在线估计方法

针对传统的锂离子电池健康状态估计方法仅用电池欧姆内阻作为单因子评估指标时存在较大误差的问题,提出了一种利用电池欧姆内阻、极化内阻与极化电容共3个模型参数构建的多因子评估模型。选用一阶RC等效电路模型作为基础电路模型,并通过仿真实验验证了所选择电路模型的准确性。对同一型号的多组三元锂离子电池进行循环老化实验,得到离线辨识的模型参数,发现等效电路模型中的欧姆内阻、极化内阻、极化电容与健康状态存在确定的关系。通过带约束的最小二乘算法求解对应模型参数的权重,并以卡尔曼滤波算法在线辨识模型参数,实时获得基于多因子模型的综合电池健康状态。将所提方法与仅用欧姆内阻评估的方法进行了对比,结果表明:所提方法评估锂离子电池真实健康状态的误差变化范围较小,基本在1%左右,精度更高。     

锂电池-超级电容混合系统能量管理与仿真

为了解决储能蓄电池作为动力源应用电动汽车的单一化等不足,在对锂电池与超级电容的外部工作特性及其储能机理理论研究基础上,提出锂电池-超级电容混合电动汽车能量系统。首先基于超级电容内部化学反应与外部工作特性,提出等效电路模型,并建立了其时域状态空间模型。接下来制定脉冲电流实验方案采集电压实验数据,辨识得到准确的超级电容模型,并通过模型仿真曲线与实验曲线的对比来验证模型的准确性。然后结合电动起实际工况及电池和超级电容储能机理,提出超级电容-电池电动汽车能量管理策略,最后基于超级电容模型和电池模型,在matlab/simulink仿真实验平台搭建起超级电容-电池混合电动汽车能量仿真模型,仿真结果验证管理策略的可行性和准确性。     

多参数积分化暂态高频电力变压器模型及其参数在线辨识方法

为改变目前基于参数辨识的变压器绕组变形检测法普遍以漏感为判据,其所反映的绕组信息较少、变形判据较单一的现状,通过将原始的微分模型改写为积分形式模型,利用递推最小二乘法在变压器运行暂态过程中对各参数进行辨识。以一实际变压器为例,在分析绕组等效电路的基础上,建立了包含绕组对地电容、互电容以及绕组电阻、漏电感参数的积分化辨识模型。并与传统微分辨识模型进行对比,分析了各种工况下辨识模型性能。结果表明,积分化模型在参数辨识精度、辨识速度及算法稳定性等方面有更大优势;辨识基本不受短路时刻、绕组变形和两相短路的影响;具有良好的稳定性。     

含过程噪声的Hammerstein-Wiener神经模糊模型多信号源辨识

提出一种在过程噪声干扰下基于偏差补偿递推最小二乘法的Hammerstein-Wiener神经模糊模型多信号源辨识方法.通过三阶段组合式多源信号,实现了过程噪声干扰下HammersteinWiener模型中输入静态非线性环节、动态线性环节以及输出静态非线性环节的分离,提高了各串联环节模型参数的分离精度,避免了传统迭代分离方法中模型参数的收敛问题.在此基础上,利用补偿原理,提出基于偏差补偿递推最小二乘法的Hammerstein-Wiener模型参数辨识方法,通过在递推最小二乘算法中引入修正项来补偿过程噪声引起的估计偏差,实现了模型参数的无偏估计.理论分析与仿真实验的结果表明,所提出的方法具有较好的有效性.     

多变量Hammerstein-Wiener模型的参数辨识

为了突破现存Hammerstein-Wiener模型参数辨识方法中假设输出非线性块可逆的限定条件,基于可分非线性最小二乘算法,提出由多个单变量Hammerstein子模型和一个多变量输出非线性块组成的多变量Hammerstein-Wiener模型的参数辨识方法.首先,以输出误差最小为准则使用Levenberg-Marquardt法辨识出输出非线性块和Hammerstein子模型的两个参数集.其次,对Hammerstein子模型使用基于张量积的奇异值分解,辨识出输入非线性块与中间线性块的参数.再次,理论分析了所提辨识方法的辨识收敛性.最后,通过仿真验证此法的有效性.     

基于ＳＯＲＡ 的多学科协同优化可靠性优化方法

为了突破现存Hammerstein-Wiener模型参数辨识方法中假设输出非线性块可逆的限定条件,基于可分非线性最小二乘算法,提出由多个单变量Hammerstein子模型和一个多变量输出非线性块组成的多变量Hammerstein-Wiener模型的参数辨识方法.首先,以输出误差最小为准则使用Levenberg-Marquardt法辨识出输出非线性块和Hammerstein子模型的两个参数集.其次,对Hammerstein子模型使用基于张量积的奇异值分解,辨识出输入非线性块与中间线性块的参数.再次,理论分析了所提辨识方法的辨识收敛性.最后,通过仿真验证此法的有效性.     

基于随机抽样参数辨识的动力锂电池组仿真模型构建

为解决多电芯电池组建模过程中电池参数辨识大量耗时的问题,根据电池组中各单体电池参数呈正态分布的特点,提出一种基于统计学方法和最小电动势的复合电池组建模方法.该方法首先随机抽取电池组中部分单体作为样本,利用脉冲充放电实验和最小二乘辨识方法对样本电池进行参数辨识;然后以样本电池参数的平均值和方差代表电池组的参数特征进行电池组模型构建;最后基于Simulink平台进行计算机仿真实验,并对比实际充放电实验数据.结果表明,两者的端电压误差在0.05 V以内,相对误差1.5%,验证了所提方法的有效性.     

CARMA模型离线最小二乘迭代辨识方法

基于迭代最小二乘原理,提出了辨识CARMA模型和输出误差模型参数的最小迭代算法。两个最小二乘迭代算法分别比递推增广最小二乘算法和辅助模型递推算法具有更高的参数精度和具有很快的收敛速度。最小二乘迭代辨识的基本思想是:采用交互估计理论和递阶辨识原理,在每步迭代计算中,参数估计依赖于噪声估计,反过来噪声估计通过前一次迭代的参数估计计算,二者执行了一个递阶计算过程。最后用仿真例子验证了提出的算法。     

光纤陀螺漂移误差的T-S模糊建模补偿算法

基于G-K聚类算法辨识T-S模糊模型前件参数理论,并采用最小二乘法辨识T-S模糊模型后件参数的误差模型,研究了一种光纤陀螺温度漂移误差的非线性补偿算法。在建立该模型的基础上对光纤陀螺零位输出进行了补偿,计算结果表明采用该种方法能够在不完全了解陀螺误差机理的情况下对其进行有效的补偿。其绝对误差与未补偿相比较降低了99%,同线性拟合补偿相比降低了96%和神经网络补偿比较降低了10%,其误差方差分别减少99%,98%,20%。     

基于最小二乘偏差补偿法的舵机模型参数辨识

舵机作为无人旋翼机一个重要的执行机构,控制着旋翼机飞行姿态与轨迹的改变,为建立舵机的数学模型,提出了基于最小二乘偏差补偿法辨识伺服舵机的模型参数。在研究了伺服舵机的结构与工作原理的基础上,首先建立舵机各组件模型,综合得到舵机的系统模型;然后采用最小二乘偏差补偿法辨识模型参数。实验仿真验证了该方法具有较高辨识精度与有效性。     

基于BCRLS-AEKF的锂离子电池荷电状态估计及硬件在环验证

研究有色噪声下的锂离子电池参数辨识与荷电状态（SOC）估计,并进行硬件在环实验验证.在动力电池模型的参数辨识过程中,利用带遗忘因子的偏差补偿递推最小二乘法进行偏差补偿,提高了有色噪声数据的参数辨识精度.在此基础上,利用自适应扩展卡尔曼算法进行SOC估计,使得滤波算法中的估计结果可以随着噪声统计特性的变化而自适应更新,实现了模型参数和电池状态的联合估计.最后,借助BMS测试系统模拟电池电压电流信息输出,完成了硬件在环实验以验证所提出的方法.实验结果表明,利用所提出算法估计得到的电池端电压和SOC误差分别小于10 mV和0.5%.      

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。     

基于驱动电机控制的电动汽车坡道静止保持系统

针对传统坡道驻车系统制动力释放时间延迟或提前会引起坡道起步具有冲击和后移问题,文中提出了一种基于驱动电机控制的电动汽车坡道静止保持系统,基于驱动电机系统参数建立了坡道静止保持系统动力学模型.对于模型中坡度和整车质量参数的不确定性,系统采用了参数辨识-自抗扰技术控制策略.参数辨识技术作为控制器输入初值,并使用自抗扰控制技术补偿辨识误差.实验数据表明:变遗忘因子最小二乘法能够估算坡度和整车质量参数,且误差在15%以内.此外,控制器中自抗扰算法能消除参数估算误差和扰动,与传统PI控制器相比,具有控制车辆后移距离短、响应速度快的特点.      

混合动力镍氢动力电池参数辨识

为实现电池SOC(State of Charge)的精确估计与提高电池模型的精确性,采用等效电路模型PNGV电池试验手册中的标准电池模型,基于辅助变量法和最小二乘法相融合的方法提出了混合动力镍氢动力电池在线参数辨识方法,并利用MATLB/SIMULINK建立电池模型.仿真分析结果显示,所建立的电池模型电压最大误差为4....