锂离子电池荷电状态(SOC)的准确估计是电池管理系统的重要核心技术之一,也是延长电池寿命的关键。但是SOC的准确实时估计困难,且精度不高。选取以三元锂电池为研究对象,针对EKF在线性化过程中产生的非线性误差,提出改进的补偿扩展卡尔...锂离子电池荷电状态(SOC)的准确估计是电池管理系统的重要核心技术之一,也是延长电池寿命的关键。但是SOC的准确实时估计困难,且精度不高。选取以三元锂电池为研究对象,针对EKF在线性化过程中产生的非线性误差,提出改进的补偿扩展卡尔曼算法(compensation for extended Kalman,CEKF)。该算法用GA优化的BP神经网络预测k时刻EKF的非线性误差等,从而补偿扩展卡尔曼k时刻的非线性误差等,且用自适应FFRLS对模型参数进行参数辨识,以DST和BBDST进行实验验证。实验结果表明,该算法估算SOC的精度范围在2%左右,且最大误差和平均误差都比EKF小得多,能更加有效追踪SOC的理论值,且该算法估计的SOC稳定性也比EKF稳定。展开更多
建立二阶Thevenin等效电路电池模型。以最小二乘法(recursive least squares,RLS)为基础,对电池模型进行参数辨识,模型迭代过程中电路端电压的估计误差随数据的微小变化而陡然增大。引入遗忘因子,采用遗忘因子最小二乘法(forgetting fac...建立二阶Thevenin等效电路电池模型。以最小二乘法(recursive least squares,RLS)为基础,对电池模型进行参数辨识,模型迭代过程中电路端电压的估计误差随数据的微小变化而陡然增大。引入遗忘因子,采用遗忘因子最小二乘法(forgetting factor recursive least squares,FFRLS)进行参数辨识,以削弱迭代中旧数据对参数的影响,增强新数据对参数的影响,结果使收敛速度提高、误差波动减小。经验证,运用该方法进行参数辨识的电池模型具有良好的精度。展开更多
水田硬底层高低不平引起拖拉机姿态变化,反馈控制系统的偏差信号始终滞后于实际运动姿态一个控制周期,影响平地铲的即时控制,若采用预测控制可根据预测信息提前施加控制量从而改善系统动态响应,其中预测模型是预测控制律设计的基础和关...水田硬底层高低不平引起拖拉机姿态变化,反馈控制系统的偏差信号始终滞后于实际运动姿态一个控制周期,影响平地铲的即时控制,若采用预测控制可根据预测信息提前施加控制量从而改善系统动态响应,其中预测模型是预测控制律设计的基础和关键。为实现水田平地机平地铲高程预测控制,该文提出了一种水田平地机俯仰角预测模型在线辨识及其参数估计方法。通过对平地机俯仰角传感数据预处理、结构识别和残差诊断,设计了ARMA(18,17)作为平地机俯仰角预测模型,采用遗忘因子递推最小二乘算法(forgetting factor recursive least square,FFRLS)对模型参数进行在线估计并实时更新。利用姿态航向参考系统(attitude and heading reference system,AHRS)采集不同地况下平地机俯仰角数据同步在线建模,并将模型输出与AHRS实测值比较,结果表明:ARMA(18,17)模型输出结果与AHRS实测值变化趋势一致,最大绝对误差与均方根误差均不超过0.2?,验证了ARMA(18,17)作为平地机俯仰角预测模型和FFRLS在线辨识方法的有效性,为后续水田平地机平地铲预测控制律设计提供了理论参考。展开更多
文摘锂离子电池荷电状态(SOC)的准确估计是电池管理系统的重要核心技术之一,也是延长电池寿命的关键。但是SOC的准确实时估计困难,且精度不高。选取以三元锂电池为研究对象,针对EKF在线性化过程中产生的非线性误差,提出改进的补偿扩展卡尔曼算法(compensation for extended Kalman,CEKF)。该算法用GA优化的BP神经网络预测k时刻EKF的非线性误差等,从而补偿扩展卡尔曼k时刻的非线性误差等,且用自适应FFRLS对模型参数进行参数辨识,以DST和BBDST进行实验验证。实验结果表明,该算法估算SOC的精度范围在2%左右,且最大误差和平均误差都比EKF小得多,能更加有效追踪SOC的理论值,且该算法估计的SOC稳定性也比EKF稳定。
文摘建立二阶Thevenin等效电路电池模型。以最小二乘法(recursive least squares,RLS)为基础,对电池模型进行参数辨识,模型迭代过程中电路端电压的估计误差随数据的微小变化而陡然增大。引入遗忘因子,采用遗忘因子最小二乘法(forgetting factor recursive least squares,FFRLS)进行参数辨识,以削弱迭代中旧数据对参数的影响,增强新数据对参数的影响,结果使收敛速度提高、误差波动减小。经验证,运用该方法进行参数辨识的电池模型具有良好的精度。
文摘水田硬底层高低不平引起拖拉机姿态变化,反馈控制系统的偏差信号始终滞后于实际运动姿态一个控制周期,影响平地铲的即时控制,若采用预测控制可根据预测信息提前施加控制量从而改善系统动态响应,其中预测模型是预测控制律设计的基础和关键。为实现水田平地机平地铲高程预测控制,该文提出了一种水田平地机俯仰角预测模型在线辨识及其参数估计方法。通过对平地机俯仰角传感数据预处理、结构识别和残差诊断,设计了ARMA(18,17)作为平地机俯仰角预测模型,采用遗忘因子递推最小二乘算法(forgetting factor recursive least square,FFRLS)对模型参数进行在线估计并实时更新。利用姿态航向参考系统(attitude and heading reference system,AHRS)采集不同地况下平地机俯仰角数据同步在线建模,并将模型输出与AHRS实测值比较,结果表明:ARMA(18,17)模型输出结果与AHRS实测值变化趋势一致,最大绝对误差与均方根误差均不超过0.2?,验证了ARMA(18,17)作为平地机俯仰角预测模型和FFRLS在线辨识方法的有效性,为后续水田平地机平地铲预测控制律设计提供了理论参考。
