电动汽车电池剩余电量百分比SOC的参数识别优化

针对标准卡尔曼滤波算法在对SOC参数识别时还存在识别精度不高、稳定性较差等问题。本文设计了一种以非线性变换卡尔曼滤波算法为基础的SOC参数识别优化模型,最先近似非线性函数的概率密度分布,之后再采用具有确定点集来对输入状态的分布进行表示,之后再对每个Sigma点进行非线性变换,得到非线性变换后的点集和方差,最后用本文设计的算法优化SOC估算算法。并进行了仿真实验。结果表明,与标准卡尔曼滤波算法相比,改进后的卡尔曼滤波算法的估算曲线波动较小,且具有更高的稳定性和估算精度。     

基于卡尔曼滤波的井下蓄电池运输车辆锂电池SOC估计

我国煤矿井下广泛使用防爆蓄电池无轨辅助运输车辆,由于实际工程应用环境十分恶劣,为了准确估算车辆蓄电池的荷电状态SOC(State of Charge),在研究电池电特性的基础上采用改进电池简化等效电路模型,且基于此模型结合安时积分法和卡尔曼滤波法对锂电池的SOC进行估计,并使用Matlab软件进行仿真和验证,将结果与小波滤波方法进行比较分析,仿真结果表明卡尔曼滤波算法能够实时修正估计误差,具有更好的估算精度。同时,为了更好地演示、分析与便于用户使用,还基于此设计并开发了Matlab GUI程序。     

基于改进型自适应滤波器的谐波在线检测方法

介绍了改进型自适应滤波器的工作原理,提出一种改进型变步长自适应滤波算法,该算法极大地减少了噪声和延时对检测系统收敛速度和精度的影响.仿真实验结果证明了该算法的有效性和实用性.     

带遗忘因子的自适应迭代容积卡尔曼滤波算法

自适应迭代滤波算法作为典型的滤波改进算法,有效提高了滤波精度,但旧数据影响过大,导致滤波发散;遗忘因子滤波算法虽然引进遗忘因子减少了旧数据的影响,但是其滤波算法本身的精度不高,难以处理高度非线性问题。基于此,本文借鉴遗忘因子的滤波算法和自适应迭代无迹卡尔曼滤波算法的思想,把遗忘因子与自适应迭代容积卡尔曼滤波相结合,这样既可以发挥遗忘因子的作用,减小历史数据对滤波结果的影响,又可以提高滤波算法本身精度和处理非线性问题的能力。仿真实验表明,该算法可以有效减小误差且提高滤波精度。     

超声波测距信号实时降噪滤波算法仿真与应用

针对目前油井超声液面深度测试系统测量噪声大,测量范围小、结果误差大、测量精度低的问题,提出一种新型超声波信号高效降噪和滤波算法。采用自回归积分滑动平均模型建模方法对油井套管中的超声波序列建立ARIMA数学模型体系;运用高精度新息自适应卡尔曼滤波算法实时估计超声波序列中的液面回波;采用液面波自动识别技术检测微弱液面回波。仿真和工程应用结果表明,算法实时、高效,动液面深度测量误差小,能满足实际工程应用。     

车载蓄电池管理系统SOC估算算法研究及优化

本文对蓄电池SOC估算常用算法的优缺点进行分析,结合蓄电池管理系统的功能特点,基于地铁项目现有车载BMS系统的SOC估算算法,对BMS系统SOC估算算法进行了改进的应用研究和可行性分析,给出了优化后的算法模型。     

基于自适应观测粒子滤波的运动跟踪算法

针对标准粒子滤波算法在运动跟踪的应用中还存在跟踪精度不高的问题,本文提出了一种基于噪声优化自适应观测粒子滤波算法的运动跟踪模型,首先构建基于目标跟踪的观测模型,利用当前时刻得到的观测量对粒子滤波算法进行修正,然后采用一个加权函数对目标进行采样来建立直方图,达到自适应加权的目的,最后采用不同方差的高斯噪声加权和来建模,对自适应观测粒子滤波进行去噪优化。仿真试验结果表明,本文提出的基于噪声优化自适应观测粒子滤波算法的运动跟踪模型相比较标准粒子滤波算法而言,具有较高的运动目标跟踪精度且在运动跟踪的应用中效果良好。     

自适应噪声抵消LMS算法的性能分析

本文介绍自适应噪声抵消LMS算法,介绍了自适应信号处理的背景与应用,主要讨论了自适应抵消LMS算法的收敛速度与算法的精度。     

容积卡尔曼滤波在车辆定位中的应用研究

在万物互联的时代,交通系统中精准的车辆位置信息显得尤为重要。为了能够得到准确的车辆位置,通过硬件采集到基本数据后,可再经过一系列数据处理,能够一定程度上提高车辆定位的精度。本文将自适应的交互多模算法和容积卡尔曼滤波算法(CKF)相结合,能适应车辆的各种机动状态。仿真实验表明,交互多模容积卡尔曼滤波算法的定位精度相较于容积卡尔曼滤波算法的定位精度能够提升25%左右。     

一种卡尔曼滤波自适应算法

自适应滤波是指随着外部信号的变化,滤波器能够自我调节滤波参数,使得滤波器的某一性能指标达到最优。文章以卡尔曼滤波理论为基础,给出一种新的自适应卡尔曼滤波算法。     

卡尔曼滤波在动位移测试中的应用

探讨了卡尔曼滤波算法的影响因素和模型设计的方法,在建立桥梁振动系统状态空间模型的基础上,对系统噪声、量测噪声进行了统计,进而运用了卡尔曼滤波算法对加速度信号进行了滤波及状态估计。     

卡尔曼滤波对BLDCM转速控制系统优化设计

本文介绍采用扩展卡尔曼滤波对直流无刷电动机、无速度传感器矢量控制系统进行实时估算转子位置和转速,内容主要涉及非线性离散系统卡尔曼滤波算法的数学模型和改进后的数学模型的建立,及其对转子位置和转速的估计.     

一种基于卡尔曼滤波算法的铅酸蓄电池SOC估计的探讨

随着技术进步目前市场上蓄电池需求旺盛,尤其是铅酸蓄电池有着大面积的应用。随之而来的问题是蓄电池剩余电量(State of Charge即SOC)计算方法多样,计算结果不够准确,各有算法都包含自己无法避免的缺点。卡尔曼滤波算法则通过持续的迭代运算逐渐趋近"真值",适合与单片机来进行电池充放电控制。本文试图实现用卡尔曼算法来计算电池SOC。     

吏用虚拟噪声补偿技术的自适应kalman滤波算法的研究

研究使用虚拟噪声补偿技术的自适应kalman滤波算法。首先对实际系统模型中的误差部分进行虚拟噪声补偿,然后通过一般自适应kalman滤波算法相结合,使改进的自适应kalman滤波算法在带有模型误差和噪声统计特性误差的前提下,能够在线估计观测随机误差的噪声特性。并编制仿真软件,验证改进算法的可行性。     

使用虚拟噪声补偿技术的自适应kalman滤波算法的研究

研究使用虚拟噪声补偿技术的自适应kalman滤波算法。首先对实际系统模型中的误差部分进行虚拟噪声补偿,然后通过一般自适应kalman滤波算法相结合,使改进的自适应kalman滤波算法在带有模型误差和噪声统计特性误差的前提下,能够在线估计观测随机误差的噪声特性。并编制仿真软件,验证改进算法的可行性。     

UKF在估算锂电池SOC中的应用

如今,新能源汽车由于它的结构简单、无二氧化碳排放等诸多因素被推上了历史的舞台,成为了全球的关注焦点。然而新能源汽车的核心是在动力电池,所以电池的寿命对于新能源汽车来说起着至关重要的作用。为了提高新能源汽车电池的安全性与使用寿命,对新能源汽车电池的剩余电量的荷电状态进行了估算与研究,采用了无迹卡尔曼(UKF)法对新能源汽车电池的剩余电量的荷电状态进行了精确估算。通过仿真测试表明,新能源汽车电池荷电状态SOC估算算法是真实有效的。UKF对新能源汽车电池剩余电量SOC估算算法的应用可以延长新能源汽车的寿命,可以使得电池的安全性更高,并使得电池降低运行成本,对新能源汽车的发展和全球广泛应用起着重要的作用。     

自适应粒子群算法在微波电路中应用

常规粒子群算法(SPSO)在优化过程中易陷入局部最优,本文分析了常规粒子群算法陷入局部最优的原因,提出采用一种自适应粒子群算法(APSO)避免陷入局部最优,改善算法的收敛性和精度。最后用自适应粒子群算法设计宽带阶梯阻抗变换器,结果表明,与常规粒子群算法相比,自适应粒子群算法全局速度快、成功率和精度也有显著提高。     

基于粒子群算法的电动汽车动力电池SOC估计误差校正方法

考虑到传统方法在校正电动汽车动力电池SOC估计误差时存在校正精度低的问题,提出了基于粒子群算法的电动汽车动力电池SOC估计误差校正方法。根据1阶RC模型和2阶RC模型的电路结构,推导得到动力电池等效电路的连续状态空间,结合动力电池输出电压与输入电流之间的数学关系,构建电动汽车动力电池等效电路模型,通过确定模型参数的更新区域,初始化处理参数识别程序,利用多元线性回归方法设计动力电池模型参数识别算法,利用粒子群算法计算动力电池SOC估计误差校正系数,实现电动汽车动力电池SOC估计误差的校正。实验结果表明,所提方法在恒流放电工况、电流剧变的FUDS工况和电流剧变的DST工况下,可以提高SOC估计误差的校正精度,从而减小了动力电池的SOC估计误差。     

联合工况下ABS系统轮速信号滤波方法研究

常用的ABS系统轮速信号卡尔曼滤波方法中假定系统过程噪声参数为定值,没有考虑车辆运行工况对系统过程噪声的影响。在分析车辆运行工况对轮速信号滤波的影响基础上设计基于RBF神经网络的系统过程参数调节器及相应滤波算法对联合工况下轮速信号进行处理。仿真验证结果表明,该方法能够有效地模拟轮速信号滤波过程中系统过程噪声参数的变化特性,提高了联合工况下轮速信号的滤波精度。     

高层建筑结构设计BP算法的精度优化

针对传统的BP神经网络算法在对高层建筑进行结构设计时还存在精度不高、误差较大等问题,本文提出了一种基于自适应和误差修正BP神经网络算法的高层建筑结构设计模型,该模型在BP神经网络算法的基础上,首先采用自适应调整策略对其网络模型进行优化,然后采用增加动量项、误差累积处理和陡度因子优化等误差修正策略提高原算法的训练精度。仿真试验结果表明,本文提出的基于自适应和误差修正BP神经网络算法的高层建筑结构设计模型相比较传统的BP神经网络算法精度要高,具有较好的鲁棒性。