Identification of dynamic model parameters for lithium-ion batteries used in hybrid electric vehicles

An electrical equivalent circuit model for lithium-ion batteries used for hybrid electric vehicles (HEV) is presented. The model has two RC networks characterizing battery activation and concentration polarization process. The parameters of the model are identified using combined experimental and extended Kalman filter (EKF) recursive methods. The open-circuit voltage and ohmic resistance of the battery are directly measured and calculated from experimental measurements, respectively. The rest of the coupled dynamic parameters, i.e. the RC network parameters, are estimated using the EKF method. Experimental and simulation results are presented to demonstrate the efficacy of the proposed circuit model and parameter identification techniques for simulating battery dynamics.     

基于无迹卡尔曼滤波和协方差交叉融合的分层多簇无线传感器网络多速率跟踪算法

针对无线传感器网络(WSNs)在跟踪过程中精度低,性能差等缺点,提出基于无迹卡尔曼滤波(UKF)和协方差交叉(CI)融合的分层多簇WSNs多速率跟踪算法。将传感器分成多个簇,同一簇中的传感器可以采用不同的采样和传输速率对目标的数据进行采集和传输。首先,采用UKF处理传感器节点采集的数据,生成局部估计。然后,利用CI融合算法将收集到的局部估计值形成融合估计。通过定义一个附加权重因子,为真实协方差的不确定性定义一个更严格的界限。仿真验证了方法的有效性,采用多速率分层融合估计的精度更高,效果更明显。     

无人机三轴稳定云台的模糊PID控制

以无人机三轴稳定云台的内框作为研究对象,将自适应卡尔曼滤波算法与模糊PID控制算法相结合,提出了一种基于自适应卡尔曼滤波的模糊PID控制算法.经过Matlab仿真实验表明,相对于经典PID控制算法和模糊PID控制算法而言,该算法在无人机三轴稳定云台的控制上,不仅响应速度快、精度高,而且对控制干扰噪声和测量噪声也起到了较好的抑制作用     

多模型油藏闭环管理

 针对目前基于单一模型进行油藏闭环管理的局限性,结合油藏数值模拟技术,提出了一种基于多模型实现的油藏闭环管理方法。利用集合卡尔曼滤波(EnKF)法通过拟合实测数据对地质模型进行实时更新,并以更新后模型的经济净现值的期望值作为目标函数,通过随机扰动近似算法(SPSA)进行油田生产优化。计算实例显示,应用该方法进行油藏闭环管理能够降低油藏模型的不确定性,给出更为合理的地质模型估计,所得控制方案相比常规方案明显改善了注水开发效果、提高了经济效益、降低了开发的风险性。     

随机条件久期模型的贴近度新息构建方法

针对随机条件久期(SCD)模型伪似然估计方法的非有效性问题,分析了新息对数正态分布的可能,证明了经修正的对数正态分布不仅满足SCD模型新息构建要求,其在期望值设定和随机取值方面优于原有新息分布,并进一步在此分布基础上提出了贴近度新息构建方法,该方法不同于期望新息构建方法,目的在于产生更少极端值使拟合久期接近实际久期,进而提高模型拟合和预报性能.同时也证明了新方法能包含原新息构建方法,具有一般性.当然,新息的对数正态分布也保证了SCD模型卡尔曼滤波解具备有效性,属于非伪似然估计.最后,通过一组模拟数据证实了新息对数正态分布的可行性,以及所提贴近度新息构建方法的优越性.     

动力学模型系统误差及其协方差阵的随机加权拟合法

在现有的基于移动窗口函数模型和随机模型系统误差自适应拟合方法的基础上,提出一种基于移动窗口动态导航模型系统误差的随机加权拟合法,在相同的窗口内给出了相应的状态预报向量协方差阵的随机加权拟合。由于动力学模型系统误差难以直接修正,采用修正状态估计误差向量及动力学模型误差向量的方法,实现对动力学模型系统误差的修正,然后利用修正后的动力学模型及相应的协方差阵进行导航滤波计算,有效地抑制动力学模型系统系统误差的影响,提高导航解算的精度。仿真结果证明,采用随机加权拟合后的算法精度优于未进行拟合的卡尔曼滤波和自适应卡尔曼滤波算法。     

基于改进容积卡尔曼滤波的纯方位目标跟踪

为处理纯方位跟踪的非线性问题,提出了距离参数化均方根容积卡尔曼滤波,在消除距离信息不可测对跟踪影响的同时弱化了计算机有限字长截断效应所引入的误差。在假设目标的初始距离信息用多个参数化模型表示的基础上,对每个模型独立进行均方根容积卡尔曼滤波,并依据贝叶斯准则计算各滤波结果对应的概率,将概率和对应结果的加权融合作为最终滤波结果。实验仿真表明,该滤波虽略微提升了计算复杂度,但获得了更好的滤波精度和鲁棒性。     

基于贝叶斯估计噪声相关下的CKF设计

针对常规容积卡尔曼滤波(cubature Kalman filter, CKF)要求系统噪声和量测噪声必须互不相关的局限性,提出了一种带相关噪声的非线性离散系统CKF设计方法。基于贝叶斯估计准则,给出了系统噪声和量测噪声相关时CKF滤波递推公式,并采用三阶球面-相径容积规则来近似计算系统状态的后验均值和协方差。当系统噪声和量测噪声相关时,常规CKF不适用,本文设计的噪声相关下的CKF可以有效地对状态进行估计,拓展了CKF的应用范围。数值仿真验证了算法的有效性。     

基于改进粒子滤波算法的动力锂离子电池荷电状态估计

传统电池荷电状态(SOC)估计中常用的扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)方法仅适用于线性系统和高斯条件,虽然粒子滤波(PF)算法能用于非线性和非高斯系统,但PF算法在滤波更新时存在粒子退化现象,使粒子集无法表示实际后验概率分布,导致估计精度降低.采用改进的扩展粒子滤波(EPF)和无迹粒子滤波(UPF)算法对电池SOC进行估计,抑制了粒子权重退化.以Thevenin模型对电池进行建模,利用带遗忘因子的最小二乘方法进行模型参数辨识,结合改进后的滤波算法对电池SOC进行估计.实验结果表明,以UKF为建议密度函数进行重采样的UPF方法平均估计误差为0.71%,低于以EKF为建议密度函数的EPF方法平均误差(1.09%),两种方法的估计误差均小于PF估计误差(1.36%),有效抑制了粒子权重退化.     

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%.