基于双卡尔曼滤波的锂电池SOC估计

针对电池SOC估计误差较大的问题,本文提出了双卡尔曼滤波算法。介绍了电池常用的等效模型和使用方向,以双RC模型为基础建立了电池系统的空间方程,使用混合脉冲功率特性测试法得到了模型参数值;推导了安时积分法和扩展卡尔曼滤波原理,在基础上提出了双卡尔曼滤波算法,对双卡尔曼滤波的原理和公式实现进行了详细推导;设计了电池组的充放电实验对算法进行验证,结果表明安时积分法估计误差随时间不断增大,扩展卡尔曼算法估计误差震荡很大,双卡尔曼滤波的估计精度较高,最大估计误差只有0.13%。     

不同温度下磷酸铁锂电池的模型参数敏感性分析

为实现电池的高精度状态估计,对磷酸铁锂电池进行了4个不同温度下的基础性能实验,同时设计了一种变温工况下获得全荷电状态（SOC）范围的开路电压实验方法,为建立考虑温度因素的二阶RC电池模型以及参数敏感性分析提供数据支持。此外,利用不同温度下的混合功率脉冲测试数据,基于粒子群优化算法辨识得到了不同温度下准确的模型参数。最后,基于单次单因子法对已建立的电池模型中各个参数进行敏感性分析,分析结果对考虑温度的参数辨识和状态估计工作具有借鉴意义。     

基于多新息卡尔曼滤波算法的锂电池SOC估计

针对锂离子电池荷电状态(SOC)较难准确获取的问题,依据锂电池等效电路模型,建立起各参数与SOC的联系,利用脉冲放电的数据对模型进行参数辨识.通过Mat-lab/Simulink验证了模型的正确性和精确性.将扩展卡尔曼滤波算法(EKF)融合多新息理论,建立了多新息扩展卡尔曼滤波算法(MIEKF)估计电池SOC的方法,该方法通过对旧信息的重复使用提高了EKF的估计精度.在美国城市道路循环工况(UDDS)下分别采用EKF和MIEKF算法来估计锂电池SOC,两者估计的最大误差分别为0.0176、0.0087.实验数据表明MIEKF算法估计电池SOC更准确.     

热特性参数可变时变截面环肋的传热研究

本文导出了热特性参数不为常数时变截面环肋的控制微分方程,并对导热系数是温度的线性函数,放热系数沿肋片长度变化时的情形进行数值求解. 该控制微分方程是一个非线性的微分方程,用四阶龙格库塔法和牛顿拉伐森迭代法求解,得到沿肋片长度方向上的温度分布曲线,接着又探讨了导热系数变化因子a.几何形状因子D_b,肋片因子N的影响问题.所得结果对于肋片的设计和选型以及进一步研究肋片的换热问题,都具有重要的意义.     

磷酸铁锂电池的改进建模及SOC估计

由于磷酸铁锂电池在多方面的优越性能,它在电动汽车领域的应用已经越来越广泛。文章针对磷酸铁锂电池,给出了其改进的PNGV模型,并通过电池恒流充放电特性和脉冲充放电特性实验,利用插值和最小二乘拟合方法进行电池模型参数辨识,实现了磷酸铁锂电池的较准确建模,并采用扩展卡尔曼滤波算法(EKF)完成了电池荷电状态(SOC)的准确估计。     

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.     

基于改进DAEKF的锂电池SOC和SOH联合估计

为提高锂离子荷电状态（state of charge,SOC）及健康状态（state of health,SOH）的精度,提出改进双自适应扩展卡尔曼滤波（dual adaptive extended Kalman filter,DAEKF）算法。基于二阶RC模型,建立空间状态方程;选取电池容量作为SOH的表征量,在双扩展卡尔曼滤波算法基础上引入改进的Sage-Husa自适应算法,实现系统协方差矩阵的实时更新;为降低系统计算量,进一步加入多时间尺度理论进行优化。实验结果表明,提出的算法能较准确地估计锂电池的SOC与SOH,SOC的平均误差为0.58%,SOH最大估计误差为0.8%,该算法正确有效。     

基于Dugoff轮胎模型对车辆质心侧偏角估计

为了解决车辆处于非线性状态下质心侧偏角的估计问题,考虑了纵向车速的变化,提出了基于Dugoff轮胎模型的质心侧偏角估计方法.根据二自由度车辆模型,验证了扩展卡尔曼滤波的估计精度高于卡尔曼滤波.根据建立的四轮三自由度车辆模型,对于车辆处于线性区和非线性区的两种运动状态,分别建立了基于扩展卡尔曼滤波算法的线性和非线性质心侧偏角估计模型,其中非线性估计模型基于Dugoff轮胎模型建立.采用CarSim软件搭建整车模型以及双移线道路模型,MATLAB/Simulink中搭建了扩展卡尔曼估计器,两者联合仿真.仿真结果表明:非线性估计模型在线性区域和非线性区域均能实现对质心侧偏角的估计,且估计精度高于线性估计模型.     

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%。     

基于非线性Wave模型的内部热耦合塔高纯控制方案

为了解决高纯内部热耦合精馏塔(ITCDIC)的强非线性特性给控制器的设计带来较大困难的问题,将非线性Wave理论运用到内部热耦合精馏塔的控制设计中.首先根据浓度曲线的特性提出了浓度波形的描述函数.其次根据波形描述函数以及物料守恒关系推导出波速公式.最后将Wave理论与一般模型控制(GMC)结合起来,建立了基于Wave模型的一般模型控制(WGMC).在苯-甲苯物系的实例研究中与传统的基于数据模型的一般模型控制(TGMC)进行比较.研究结果表明,WGMC在伺服控制和干扰控制的表现都明显优于TGMC,WGMC控制方案较传统的一般模型控制方案更加稳定可靠.     

温度测控系统的非线性动态补偿研究

在温度测控系统中,对于温度传感器在测量时存在较大非线性动态偏移误差,提出基于参考模型的利用扩展卡尔曼滤波算法设计温度传感器的动态补偿的方法。用扩展卡尔曼滤波进行补偿器的参数辨识,从而得到比较精确的补偿器,因此温度传感器的动态偏移误差得到自动补偿。用扩展卡尔曼滤波算法对补偿过程中放大的噪声进行滤波,从而得到较好的补偿结果。     

基于遗传算法的分数阶锂电池模型参数辨识

遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法,在求解非线性参数的复杂优化问题上极具潜力.在建立锂离子电池的分数阶等效电路模型之后,通过不断调整其电路模型的参数,使得模型的阶跃响应u_m与锂电池阶跃响应u的和方差的函数值逐渐向0逼近,直到在一定误差精度内,近似认为二者相等.在此基础上,采用遗传算法,在阶跃电流信号激励条件下,对锂离子电池Randle分数阶电路模型完成参数辨识.实验仿真结果显示：分数阶模型参数{R₀,R_p,Q₁,α,Q₂}辨识值分别为{7.33,6.18,3.049,0.76,608.6},误差均值为4.796×10^-5,误差率为1.143×10^-3,拟合度为98.90%.     

锂电池二阶RC等效电路模型参数辨识

以锂电池二阶RC等效电路模型为研究对象,将电池模型RC参数的辨识问题归结为非线性最优化问题,建立非线性最小二乘优化模型,采用Levenberg-Marquard(LM)算法对其进行求解.该优化问题不仅是非线性的,而且非凸,因此需要对优化算法中的初始值进行选取,同时放电电流大小的变化也会影响参数求解结果的稳健性.为解决这两个问题,首次提出一种简单有效的RC参数初始值的选取方法和调整最优化模型中的目标函数的方法,保证该算法在不同放电电流情况下均能得到正确的解.仿真结果表明:在选定合适的初始值的情况下,该算法能够快速准确求解模型中的RC参数值.     

磷酸铁锂电池模型参数辨识与SOC估算

根据磷酸铁锂电池的特性,从电池电化学角度分析,建立电池的等效电路模型.通过实验方法测得电池开路电压与SOC关系和电池模型的参数,利用卡尔曼滤波法来估算电池初始荷电状态(SOC0).实验与仿真表明,该算法可以有效的估算出SOC初始值,并可以将误差控制在10％之内.     

基于传感器网络的分布式生化气体源参数测定算法

针对生化气体源参数测定问题,提出了一种基于传感网络的分布式贝叶斯迭代估计算法,该算法在给定气体物理分布扩散模型条件下,通过传感器节点获取气体浓度,并基于分布式扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）实现气体源的坐标定位和释放率估计.通过仿真实验对两种分布式算法进行性能分析,结果表明,UKF算法在参数估计成功率和参数估计误差两个方面均要好于EKF算法,分别可以提高约50%和70%,其收敛速度快,使用节点少,更有助于节省网络能量消耗,并延长其生存周期.     

一种用于GPS定位估计滤波算法的非线性模型

提出了一种将现代非线性滤波技术用于GPS定位估计的方法,该方法可用于低价位的单机GPS接收器的定位,提高它们的定位精度和鲁棒性．应用该方法,根据单机GPS的原始数据、伪距和多普勒频移进行定位估计。开发了一种新的基于非线性滤波的位置和速度估计模型,该非线性模型具有随观察到的卫星数量而改变状态和测量元个数的动态特性．运用一种新型的非线性滤波-平淡卡尔曼滤波求解该模型．GPS定位实验结果表明．与通用的最小二乘迭代法或直接从接受机获得的结果相比,所提出的非线性模型得出的滤波估计结果具有较高的精度和鲁棒性．     

基于CAD模型的立体视觉目标运动估计

提出了一种基于CAD模型的目标运动估计和目标轨迹实时生成方法，分为两步：首先采用立体视觉系统由图像特征点求出目标特征点的每个采样周期的空间位置；然后由其匹配模型的特征点集，通过扩展卡尔曼滤波方法估计目标运动参数，有了上述参数，就可以设计与伺服系统事宽匹配、消除图像处理延时影响的目标轨迹生成器，文中对目标的运动估计算法进行了仿真研究，结果表明该算法是可行的，文章创新之处在于推导了双目立体视觉系统的运动估计算法。     

ARMA模型参数的分步估计方法

提出了一种ARMA模型的线性估计方法，这种方法通过两次AR模型的估计来实现ARMA的估计。讨论了一维时间序列开环系统、闭环系统的辨识方法及定阶问题。仿真结果表明该方法具有良好的准确度和可靠性，可直接用于结构状态监测。     

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。     

电动汽车锂离子电池组参数辨识与SOC估计

针对电动汽车用锂离子电池组,提出了一种能修正初始误差的荷电状态估算方法,即采用扩展卡尔曼滤波与安时积分的组合算法.在分析电池各种等效电路模型优缺点的基础上,选用具有双阻容并联网络的PNGV改进型电池模型,并以某锂电池为实验对象,对其进行模型参数识别.然后依据电池模型建立电池的非线性状态空间方程,并对电池开路电压与SOC的关系进行多项式拟合.恒流脉冲放电和ECE15工况下的两种实验均表明,文中算法可有效修正SOC的初始误差,并能保证估算精度.