基于粒子滤波的锂离子电池剩余使用寿命预测

锂离子电池因其循环寿命产生的问题更加被重视。为了对锂离子电池的剩余循环使用寿命进行预测研究,采用了粒子滤波算法。首先对粒子滤波算法进行了概述。然后用它对电池的剩余使用寿命预测。简要描述了3组电池数据下的实验;并与扩展卡尔曼滤波进行了对比实验分析。实验结果表明了粒子滤波算法在3组数据下的绝对误差平均值近似4%,均方根误差平均值近似5%,扩展卡尔曼滤波的绝对误差平均值和均方根误差平均值分别近似6%和7%。说明了粒子滤波在锂离子电池剩余使用寿命预测中比扩展卡尔曼滤波精度更高。     

一种预测锂电池剩余寿命的改进粒子滤波算法

粒子滤波算法本身存在着粒子退化问题,对于衰减趋势变化剧烈的模型,难以获得精确的预测结果,限制了算法的适用范围。针对以上问题对粒子滤波进行改进,通过引入粒子群优化算法中的粒子更新机制,优化粒子的全局位置信息,进而重新分配各粒子权重,降低了重采样阶段粒子重置的比例,改善了算法固有的粒子退化现象,达到改进算法、提升算法预测性能的目的;同时,为验证算法的实际效果,以马里兰大学先进寿命周期工程中心(CALCE)发布的锂电池容量实验数据集为基础,分别使用传统粒子滤波算法与改进的算法进行剩余寿命预测仿真。经过对比发现:改进算法误差下降33.6%,可获得更为精确的预测结果,重采样率下降18.3%,粒子退化问题得到改善。     

基于改进粒子滤波的锂离子电池RUL 预测

在基于粒子滤波算法的锂离子电池剩余使用寿命预测过程中, 由于基本粒子滤波算法存在粒子退化问题, 难以保证电池寿命预测的精度。为此, 提出一种基于MCMC(Monte Carlo Markov Chain)的无迹粒子滤波改进算法, 从选取适当的重要性密度函数和重采样过程两方面入手, 更全面地克服基本粒子滤波算法中的粒子退化问题, 进而提高锂离子电池剩余使用寿命预测的精度。实验仿真结果表明, 改进后的粒子滤波算法能更好地跟踪电池容量衰退趋势, 预测精度也明显优于基本粒子滤波算法, 为锂离子电池剩余使用寿命的预测提供了新思路。     

基于PF-GPR算法的锂离子电池剩余使用寿命预测

针对锂离子电池退化过程中不可避免的容量再生现象建立了电池退化模型,提出了融合粒子滤波(PF)和高斯过程回归(GPR)的电池剩余使用寿命(RUL)预测算法。仿真实验结果表明,所提出的算法能够实现准确的锂离子电池RUL预测。     

基于粒子群优化的粒子滤波算法应用研究

粒子群优化算法是一种基于群体智能理论的全局寻优算法。文中首先对粒子群优化算法的原理和实现过程进行了研究,然后比较了粒子群优化算法与粒子滤波算法的异同,并将粒子群优化算法引入到粒子滤波算法中,解决了粒子贫乏的问题,提高了每个粒子的作用效果,同时给出了PSO-PF算法的基本步骤。最后将PSO-PF算法应用于自航耙吸挖泥船的泥舱溢流损失估计中,采用实测工程数据进行了仿真,仿真结果表明该PSO-PF算法基本达到了预期的效果,为自航耙吸挖泥船操作人员的施工提供了决策支持。     

基于改进粒子群算法的梯级水风光短期调峰优化调度

针对大规模风电、光电直接并入电网对系统调峰带来的负面影响,同时伴随高弃风、高弃光率的问题,提出通过利用水电输出通道将湖北一梯级水电站与附近风电场、光电场并入电网联合调峰的解决办法。首先分析了梯级水电站、风电和光电联合调度的必要性和可行性,提出了梯级水-风-光联合调峰策略,构建了以系统余留负荷均方差最小为目标函数的短期调度模型,最后利用收缩因子和改进粒子群算法求解。通过算例仿真,风光与梯级水电站共同参与系统调峰,调峰效果更好,改进粒子群算法(particle swarm optimization, algorithm, PSO)算法有更好的寻优精度和收敛速度。给未来实施梯级水电站与周围风、光电场联合调峰策略提供了参照。     

基于粒子滤波的检测前跟踪算法的改进

针对基于粒子滤波的检测前跟踪(PF-TBD)技术在弱目标的跟踪定位中,目标检测概率较低的问题提出改进。首先,对重要性密度函数进行重新构造,在只包含弱目标的运动模型预测数据的基础上,将实际观测数据与其一起构成的后验概率密度函数作为改进后的重要性密度函数。其次,在满足该后验概率密度函数的分布中,选取一定数目的粒子,在对目标的下一状态估值中,采用MMSE算法,推导出满足最小均方误差的表达式,而且通过引入概率粒子滤波算法,在计算上避开了积分运算。通过仿真实验表明,改进的PF-TBD算法不仅计算简单,而且提高了弱目标检测概率。     

基于无序测量粒子滤波的锂电池剩余寿命预测

锂电池是一种复杂的电化学系统,其容量衰退呈非线性退化,粒子滤波(particle filter, PF)算法作为解决非线性非高斯问题的有效算法经常被用于锂电池剩余寿命预测。针对PF算法中的模糊测量问题,提出无序测量粒子滤波(out of sequence measurement particle filter, OOSMPF)算法对锂电池剩余寿命进行预测。首先利用锂电池加速充放电所获得的容量衰退数据与充放电循环次数建立双指数模型,然后采用OOSMPF算法对锂电池剩余容量进行预测,进而得出锂电池剩余寿命。试验结果显示,本研究提出的OOSMPF算法与PF算法相比,在对三组锂电池寿命的预测上,剩余寿命误差分别降至7次、15次和5次,因此OOSMPF算法更适合用于锂电池剩余寿命预测。本研究能为新能源汽车上的锂电池剩余使用寿命预测提供方法参考。     

基于改进的无迹粒子滤波算法的列车组合定位方法研究

列车实时定位是保证列车安全运行的重要环节。随着北斗卫星导航系统的发展,北斗卫星已逐步具备应用于列车定位的能力。针对北斗导航定位系统的特点及存在的问题,将SINS系统作为其补充定位方式。由于传统滤波算法在进行状态估计时仍存在粒子退化现象,为了进一步提高估计性能,提出了基于人工免疫无迹粒子滤波算法(AI-UPF)的列车组合定位方法。将人工免疫算法引入UPF算法的重采样过程,对粒子进行克隆和变异,改善了样本集的多样性,减轻了退化现象的影响。用该方法和UPF算法分别对北斗/SINS列车组合定位系统进行仿真实验。结果表明,AI-UPF算法能进一步减小定位误差,滤波效果较好。     

基于智能优化粒子滤波算法的人体运动目标跟踪

粒子滤波算法应用于目标跟踪时,存在样本贫化和计算量大的问题,提出了一种基于智能优化粒子滤波算法.利用粒子群算法良好的局部寻优和全局寻优能力对重采样之后的粒子集进行操作,使粒子可以智能地合作起来,减轻样本贫化.实验结果表明,该算法实时性强,提高目标状态的估计精度,缩短了计算时间,其滤波性能优于常规粒子滤波算法.     

基于蜣螂优化的改进粒子群算法

针对标准粒子群算法存在的局部最优、早熟和慢收敛等问题,提出了一种新的粒子群更新方法。改进了算法惯性权重,引入一种新的更新方式;借鉴蜣螂优化算法中蜣螂滚球、繁殖、觅食和偷窃行为,将基本粒子群的操作划分为寻优、变异、波动和跳跃,从而提高了算法的全局寻优能力和收敛速度,并避免了早熟问题。通过与其他9种智能算法进行实验对比表明,在10个基准测试函数中,基于蜣螂优化的改进粒子群算法在寻优能力和收敛速度方面表现出色,证实了该算法的优越性。     

基于随机点摆动前行模式的改进粒子群优化算法

基于飞鸟寻食细致化仿生,提出了一种新的基于随机点摆动前行模式(RSFM)的改进粒子群算法原理,设计了改进粒子群算法流程,并利用算例展示了该算法的具体使用方法与计算效果。     

基于改进粒子滤波算法的比较分析研究

提出一类改进的粒子滤波算法.对于建议分布的选取方案,此算法采取强跟踪分散的卡尔曼滤波方式建立它的建议分布.由于线性调节参数,此算法让系统拥有更优越的自适应性及鲁棒性,对高机动目标具有更强的跟踪效果,继而为强跟踪扩展卡尔曼滤波的能力.仿真结论说明,此算法的性能比别的几类非线性滤波算法更加优秀.比如辅助粒子滤波器(APF)、迭代扩展卡尔曼粒子滤波器(IEKF-PF)、Unscented粒子滤波器(UPF)、正则化粒子滤波器(RPF),则是在bootstrap粒子滤波器提出之后,继而出现的改进的粒子滤波器0基于粒子滤波,本文提出了阻止粒子退化的两个重点原因,以及选取合适的采样建议分布及重采样算法.     

基于差分算法优化的自复位粒子滤波算法

粒子滤波器作为常用的非高斯非线性的滤波方法,已成功地应用于各种工程领域。然而传统的重采样方法导致了粒子贫化的问题,严重降低了滤波估计的精度与鲁棒性。文中提出一种结合跟踪失败检测与改进差分优化融合的自复位粒子滤波方法。首先通过跟踪失败识别方法对滤波估计值进行初步检验,在正常跟踪时不启用优化策略,算法性能与标准粒子滤波无异;在跟踪失败时,通过差分算法对粒子集进行复位,复位过程中设置了粒子置信区间的上下界以防粒子过度集中,并结合检验指示值规避对粒子的多次优化,以缩短算法的估计时间。仿真结果表明,文中算法通过动态调节方式继承了标准粒子滤波和差分进化粒子滤波的优点,有效提高了滤波估计的鲁棒性与估计精度,可在滤波成功时避免启用优化策略以降低算法的整体时间复杂度,并在滤波失败时启用差分优化策略进行自我复位以提高算法估计精度;且在相同定位精度下,其所需粒子数较标准粒子滤波更少,整体时耗较差分进化粒子滤波更低,在建模不确定时也可表现出良好的效果。     

改进灰狼优化算法医疗锂电池剩余寿命预测

【目的】通过改进灰狼优化算法对医疗锂电池进行剩余寿命预测,从而保障抢救时机并减少医疗事故的目的。【方法】运用小波核极限学习机(Wavelet kernel extreme learning machine,WKELM)与小生境灰狼算法(Niche grey wolf optimization,NGWO)相融合的算法形成改进灰狼优化算法WKELM-NGWO算法。采用NGWO算法对WKELM参数进行优化处理,并将最大化训练集的分类准确度作为目标函数,得到寻优过程的数学模型。采用差分方式对医疗电子设备锂电池容量的时间序列进行处理,得到多维时间序列特征向量,归一化处理获得特征向量,并将其分为训练集和测试集。计算得出每只灰狼个体的适应度值fi,并对适应度值fi进行排序,适应度值fi排在前三的个体位置分别记为Xα,Xβ,Xδ。选择最优的灰狼个体位置作为WKELM参数对数据进行训练后,对心脏起搏器用锂电池和心脏除颤仪用锂电池两种锂电池测试样本进行剩余寿命预测操作。【结果】在相同的预测起始点下,WKELM-NGWO算法的均方根误差(RMSE)误差低于WKELM和NGWO算法,基于融合算法WKELM-NGWO的医疗电子设备锂电池剩余寿命(Remaining useful life)预测曲线更接近电池的退化曲线。【结论】WKELM-NGWO融合算法增强了对不同数据的适应能力,既克服了小波核极限学习机(WKELM)学习速度慢、结构不稳定的问题,也克服了小生境灰狼算法(NGWO)求解精度低、收敛速度慢从而导致跳不出局部最优解的问题。     

基于改进多粒子群算法的电力系统无功优化

将改进的多粒子群算法应用于电力系统无功优化问题的求解,克服了传统粒子群算法收敛精度不高、易陷入局部最优的缺点．该优化方法对原粒子群算法进行了如下改进：通过增强粒子群间的协同作用、引入惯性因子以及扰动的策略,来平衡集中强化搜索和分散多样化搜索过程．对IEEE6节点和IEEE30节点系统分别进行无功优化计算,并与传统粒子群算法进行了比较,结果表明,该算法求得的有功损耗较原状态降低了近1／5,且电压合格率为100％,具有较强的全局搜索能力和较高的收敛精度,是求解无功优化的有效方法．     

基于果蝇优化算法改进的粒子滤波及其在目标跟踪中的应用

针对粒子滤波算法重采样导致的样本贫化问题,提出一种基于果蝇优化思想的粒子滤波算法.该方法视粒子权值为个体适应度值,并将果蝇不断从低浓度的地方飞向高浓度的地方的觅食寻优过程引入到粒子滤波当中,驱使粒子不断向高似然区域移动,提高了粒子群的整体质量.为了解决标准果蝇优化算法易陷入早熟的问题,将遗传算法中的交叉、变异操作自适应地应用到果蝇优化算法寻优过程当中.首先通过交叉操作改善粒子分布,当果蝇优化算法陷入局部最优时,再采用柯西变异扰动,促使算法快速跳出局部极值并继续搜索全局极值.通过非线性模型仿真以及目标跟踪实验表明该算法有效提高了非线性系统状态估计精度,具有较好的稳定性,同时降低了状态估计所需的粒子数量.     

约束优化的粒子群改进算法及应用

针对粒子群算法易于坠入局部最优、早熟而造成求解成功率不高的问题引入回退算法的思想,提出一种用于求解工程约束的改进粒子群算法。对优化过程中不合约束的粒子不是简单抛弃,而使其回退到该粒子历史最优,进行下次搜索,这样求解过程中的粒子群搜索能力更强,以增强算法的成功率和运算速度、收敛性。通过对测试函数和工程实例进行仿真测试,并与标准粒子群算法对比,结果表明该算法是有效可行的。     

基于鲸鱼算法优化长短时记忆神经网络的锂电池剩余寿命预测

为确保锂电池在军用无人机以及新能源汽车使用期间的安全性,需要对其进行全生命周期的健康监测和寿命预测。针对长短期记忆神经网络(Long Short-Term Memory, LSTM)模型参数较难选取导致所建立的锂电池剩余使用寿命预测方法精度不足问题,文中提出一种基于鲸鱼优化算法(Whale Optimization Algorithm, WOA)对LSTM的剩余寿命预测模型(WOA-LSTM)进行优化。首先使用WOA算法对LSTM的隐含层神经元数量、学习率进行寻优,避免经验选取参数的盲目性;其次将寻优后的超参数重新赋值给LSTM网络,构建与锂电池数据特征更为匹配的预测模型;最后采用NASA PCoE实验室锂电池的失效数据集验证算法的有效性。仿真结果表明,文中所提出的预测模型相较于LSTM模型、Elman模型、PSO-LSTM模型精度平均分别提升了7%、4%、3%,具有较好的预测效果。     

自适应中心加权的改进均值滤波算法

为了在滤除退化图像中混合噪声的同时能更好地保护图像的细节,文中提出了基于改进均值滤波（ Ｍ Ｔ Ｍ）结构的新算法,其特点为： １） 用中心加权中值滤波算法替代 Ｍ Ｔ Ｍ 方法中的中值滤波算法以更好地保护细节; ２） 提出了一种直接利用滤波结果来估计混合噪声中高斯噪声方差的方法,估计的结果被用于滤波器系数的调整,使得新算法有很好的鲁棒性。实践证明新方法的处理结果优于传统的 Ｍ Ｔ Ｍ 方法