为提升锂电池荷电状态(state of charge,SOC)估计的精度,以二阶RC分数阶模型为研究对象,提出一种由分数阶无迹卡尔曼滤波算法和带可变遗忘因子最小二乘法组成的FOUKF+VFFRLS算法。其中分数阶无迹卡尔曼滤波算法用于锂离子电池荷电状态估...为提升锂电池荷电状态(state of charge,SOC)估计的精度,以二阶RC分数阶模型为研究对象,提出一种由分数阶无迹卡尔曼滤波算法和带可变遗忘因子最小二乘法组成的FOUKF+VFFRLS算法。其中分数阶无迹卡尔曼滤波算法用于锂离子电池荷电状态估计,带可变遗忘因子最小二乘法用于电池参数估计。该算法通过对状态变量和参数变量的递推估算,确保了电池状态和参数的实时更新。基于UDDS工况下的实验数据进行仿真分析,结果表明,该方法较FOUKF等算法具有更高的估计精度,电池SOC最大估计误差可控制在2%以内,验证了所提方法的正确性及有效性。展开更多
针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)在系统状态发生突变时估计精度下降的问题,将改进的强跟踪滤波算法与基于高斯概率密度高阶导的无迹卡尔曼滤波算法(high order probability density derivative,HUKF)相结合,提出...针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)在系统状态发生突变时估计精度下降的问题,将改进的强跟踪滤波算法与基于高斯概率密度高阶导的无迹卡尔曼滤波算法(high order probability density derivative,HUKF)相结合,提出了高阶强跟踪无迹卡尔曼滤波方法(high order strong tracking UKF,HSUKF)。该算法采用高斯概率密度函数高阶导数的极值作为Sigma样点进行无迹转换,通过样本点捕捉更高阶的中心矩来提高非线性变换近似精度。将改进的强跟踪滤波算法引入到HUKF中,通过渐消因子修正预测新息协方差和预测互协方差矩阵,强迫新息正交,在不增加计算复杂度的前提下提高了算法在状态发生突变时的适应能力。将本文算法应用于时差频差的无源跟踪中,通过对目标状态发生突变的跟踪问题进行数值仿真和实例论证表明HSUKF算法兼具了计算复杂度低和估计精度高的特性,且在系统状态发生突变的情况下表现出良好的滤波性能。展开更多
文摘为提升锂电池荷电状态(state of charge,SOC)估计的精度,以二阶RC分数阶模型为研究对象,提出一种由分数阶无迹卡尔曼滤波算法和带可变遗忘因子最小二乘法组成的FOUKF+VFFRLS算法。其中分数阶无迹卡尔曼滤波算法用于锂离子电池荷电状态估计,带可变遗忘因子最小二乘法用于电池参数估计。该算法通过对状态变量和参数变量的递推估算,确保了电池状态和参数的实时更新。基于UDDS工况下的实验数据进行仿真分析,结果表明,该方法较FOUKF等算法具有更高的估计精度,电池SOC最大估计误差可控制在2%以内,验证了所提方法的正确性及有效性。
文摘针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)在系统状态发生突变时估计精度下降的问题,将改进的强跟踪滤波算法与基于高斯概率密度高阶导的无迹卡尔曼滤波算法(high order probability density derivative,HUKF)相结合,提出了高阶强跟踪无迹卡尔曼滤波方法(high order strong tracking UKF,HSUKF)。该算法采用高斯概率密度函数高阶导数的极值作为Sigma样点进行无迹转换,通过样本点捕捉更高阶的中心矩来提高非线性变换近似精度。将改进的强跟踪滤波算法引入到HUKF中,通过渐消因子修正预测新息协方差和预测互协方差矩阵,强迫新息正交,在不增加计算复杂度的前提下提高了算法在状态发生突变时的适应能力。将本文算法应用于时差频差的无源跟踪中,通过对目标状态发生突变的跟踪问题进行数值仿真和实例论证表明HSUKF算法兼具了计算复杂度低和估计精度高的特性,且在系统状态发生突变的情况下表现出良好的滤波性能。
