准确估计蓄电池荷电状态(state of charge,SOC)对于蓄电池的健康管理具有重要意义。现有SOC估算方法普遍存在复杂性高、自适应较弱的问题,更偏重于理论分析,难以满足实际在线监测的应用场景。为提高SOC估算过程的自适应性以及降低算法...准确估计蓄电池荷电状态(state of charge,SOC)对于蓄电池的健康管理具有重要意义。现有SOC估算方法普遍存在复杂性高、自适应较弱的问题,更偏重于理论分析,难以满足实际在线监测的应用场景。为提高SOC估算过程的自适应性以及降低算法应用的复杂性,提出了一种适用于在线监测应用场景的基于蜣螂优化算法和自适应无迹卡尔曼滤波的SOC估计算法。将二阶Thevenin等效电路作为蓄电池的模型,利用蜣螂优化算法对该模型的关键参数进行自适应辨识,根据所辨识的参数,利用自适应无迹卡尔曼滤波算法对SOC进行估算。为了验证该算法的有效性,利用锂离子电池不同动态工况的实验数据进行了测试。实验结果表明,在初始参数设置模糊或不准确的情况下,该算法依然能够自适应地获取精度更高的SOC估计结果,具有更好的鲁棒性。展开更多
精准的锂电池建模是保证电池储能系统可靠性至关重要的手段。荷电状态(state of charge,SOC)的准确估计保证了特定应用程序的安全高效运行。为了提高SOC的估计精度,首先建立等效电路模型,利用遗忘因子的偏差补偿最小二乘法(bias compens...精准的锂电池建模是保证电池储能系统可靠性至关重要的手段。荷电状态(state of charge,SOC)的准确估计保证了特定应用程序的安全高效运行。为了提高SOC的估计精度,首先建立等效电路模型,利用遗忘因子的偏差补偿最小二乘法(bias compensation recursive least squares,BCRLS)对电池模型进行参数辨识。然后,利用自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法来估计SOC。由于无迹无迹卡尔曼滤波算法易受非线性因素的干扰,因此提出了利用权重量定义AUKF算法提高SOC的估计精度。由于电池在放电过程中,电池内部特性会发生变化,而电池欧姆内阻会对SOC估计结果产生直接影响。基于此,本工作提出了双自适应无迹卡尔曼滤波来进一步提高SOC的估计精度。通过和不同算法进行比较,实验结果表明,所提算法估计SOC的误差控制在2%以内,验证了算法的有效性。展开更多
该文提出了一种利用角度和多普勒频率的一发一收外辐射源定位体制,针对运动目标,给出了接收站的最优航迹规划。该文采用定位的位置误差(Geometrical Dilution Of Precision,GDOP)作为优化对象,具体分析2维目标定位的优化问题,通过一边...该文提出了一种利用角度和多普勒频率的一发一收外辐射源定位体制,针对运动目标,给出了接收站的最优航迹规划。该文采用定位的位置误差(Geometrical Dilution Of Precision,GDOP)作为优化对象,具体分析2维目标定位的优化问题,通过一边估计目标一边优化接收站运动的方法,使用无迹卡尔曼滤波(Unscented Kalman Filter,UKF)估计目标的位置和速度,以达到在定位的各个时刻能够得到最优的定位精度。仿真实验验证了该方法的有效性。展开更多
为更好地应对动态多目标优化中的环境变化,提出了一种对差分向量进行角度修正以及分级多种群协同进化(Angle Correction and Hierarchical Multi-Population,ACHMP)的进化算法.根据历史信息,使用无迹卡尔曼滤波模型来预测种群的中心点,...为更好地应对动态多目标优化中的环境变化,提出了一种对差分向量进行角度修正以及分级多种群协同进化(Angle Correction and Hierarchical Multi-Population,ACHMP)的进化算法.根据历史信息,使用无迹卡尔曼滤波模型来预测种群的中心点,通过不同时刻的中心点产生不同的差分向量,再使用无迹卡尔曼滤波对差分向量进行角度修正;提出的多种群协同进化模式将种群分为三部分并使其沿不同的方向进化,子种群监督主种群进化,在提升了算法性能的同时,也保证了种群的多样性.与10种对比算法在不同测试问题上的实验结果显示,ACHMP算法的性能总体优于其他算法,证明了本文提出的角度修正和分级多种群方法在处理动态多目标优化问题时具有较强的竞争力.展开更多
针对阵列信号波达角(direction of arrival,DOA)先验信息已知的情况,利用信号的恒模特性,在卡尔曼滤波(Kalman filter,KF)结构下,提出一种附加阵列导向矢量约束的自适应波束形成算法.对约束情况下的卡尔曼滤波目标函数运用拉格朗日乘子...针对阵列信号波达角(direction of arrival,DOA)先验信息已知的情况,利用信号的恒模特性,在卡尔曼滤波(Kalman filter,KF)结构下,提出一种附加阵列导向矢量约束的自适应波束形成算法.对约束情况下的卡尔曼滤波目标函数运用拉格朗日乘子法,求得约束条件下的最优估计表达式,并将其推广到无迹卡尔曼滤波(unscented Kalman filter,UKF)算法中,通过约束迭代算法对阵列估计信号的导向角施加约束,实现约束UKF自适应波束形成算法的最优权值分配.仿真过程中,用所提算法与约束恒模迭代最小二乘算法和约束最小方差迭代最小二乘算法作对比,表明表明,该算法在收敛速度、信噪比、稳健性、跟踪性能方面具有较好的性能.展开更多
文摘准确估计蓄电池荷电状态(state of charge,SOC)对于蓄电池的健康管理具有重要意义。现有SOC估算方法普遍存在复杂性高、自适应较弱的问题,更偏重于理论分析,难以满足实际在线监测的应用场景。为提高SOC估算过程的自适应性以及降低算法应用的复杂性,提出了一种适用于在线监测应用场景的基于蜣螂优化算法和自适应无迹卡尔曼滤波的SOC估计算法。将二阶Thevenin等效电路作为蓄电池的模型,利用蜣螂优化算法对该模型的关键参数进行自适应辨识,根据所辨识的参数,利用自适应无迹卡尔曼滤波算法对SOC进行估算。为了验证该算法的有效性,利用锂离子电池不同动态工况的实验数据进行了测试。实验结果表明,在初始参数设置模糊或不准确的情况下,该算法依然能够自适应地获取精度更高的SOC估计结果,具有更好的鲁棒性。
文摘精准的锂电池建模是保证电池储能系统可靠性至关重要的手段。荷电状态(state of charge,SOC)的准确估计保证了特定应用程序的安全高效运行。为了提高SOC的估计精度,首先建立等效电路模型,利用遗忘因子的偏差补偿最小二乘法(bias compensation recursive least squares,BCRLS)对电池模型进行参数辨识。然后,利用自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法来估计SOC。由于无迹无迹卡尔曼滤波算法易受非线性因素的干扰,因此提出了利用权重量定义AUKF算法提高SOC的估计精度。由于电池在放电过程中,电池内部特性会发生变化,而电池欧姆内阻会对SOC估计结果产生直接影响。基于此,本工作提出了双自适应无迹卡尔曼滤波来进一步提高SOC的估计精度。通过和不同算法进行比较,实验结果表明,所提算法估计SOC的误差控制在2%以内,验证了算法的有效性。
文摘为更好地应对动态多目标优化中的环境变化,提出了一种对差分向量进行角度修正以及分级多种群协同进化(Angle Correction and Hierarchical Multi-Population,ACHMP)的进化算法.根据历史信息,使用无迹卡尔曼滤波模型来预测种群的中心点,通过不同时刻的中心点产生不同的差分向量,再使用无迹卡尔曼滤波对差分向量进行角度修正;提出的多种群协同进化模式将种群分为三部分并使其沿不同的方向进化,子种群监督主种群进化,在提升了算法性能的同时,也保证了种群的多样性.与10种对比算法在不同测试问题上的实验结果显示,ACHMP算法的性能总体优于其他算法,证明了本文提出的角度修正和分级多种群方法在处理动态多目标优化问题时具有较强的竞争力.
