融合经验老化模型和机理模型的电动汽车锂离子电池寿命预测方法研究

为提升实际应用中锂离子动力电池寿命预测精度，本文中提出一种融合经验老化模型和电池机理模型的电池寿命预测方法。该方法以基于经验老化模型SOH预测值作为卡尔曼算法的先验估计，以基于机理模型估计电池未来容量衰减量进而预测得到的SOH作为卡尔曼算法的后验修正，从而实现对锂离子电池寿命的准确预测。基于电芯试验数据的动力电池寿命预测算法验证结果表明，锂离子动力电池剩余寿命预测误差≤5.83%、基于实车数据的锂离子动力电池的剩余寿命预测误差≤8.12%，取得了良好的预测效果，丰富了锂离子动力电池寿命预测的方法。     

基于分数阶无迹粒子滤波的动力电池SOC估计

针对纯电动汽车动力电池组荷电状态(SOC)估计问题,提出一种基于可变温度的分数阶Thevenin模型的建模方法,并采用分数阶无迹粒子滤波(FUPF)算法估计电池SOC。建立Thevenin模型的分数阶电池模型,采用试验设计(DOE)方法和遗传算法进行参数辨识,利用FUPF算法对SOC进行估计,并与无迹粒子滤波算法进行比较。试验结果表明,基于FUPF算法与可变温度的分数阶电池模型的SOC估计方法能够在较宽温度范围内保持较高的估计精度且比整数阶模型估计精度更高。     

一种改进的电动汽车锂电池RC滞后模型及其应用

为提高电动汽车电池SOC估计精度、收敛速度和鲁棒性,提出了一种改进的锂电池RC滞后模型及自适应粒子滤波的SOC估计方法。在传统RC模型基础上加入滞后模块,使用粒子群算法搜索的方法求解模型参数,综合考虑计算量和模型精度,确定了一阶RC滞后模型作为锂电池等效模型。在传统粒子滤波基础上,提出了观测噪声方差自适应估计方法。仿真结果表明,SOC初值误差较大时,自适应粒子滤波收敛速度和鲁棒性、SOC估计精度和稳定性明显优于传统算法。     

考虑动力学模型系统误差补偿的智能车GNSS/IMU组合定位算法

为了解决智能车动态组合定位过程中，因动力学模型与实际模型之间存在偏差导致滤波精度下降的问题，针对智能车全球导航卫星系统(GNSS)/惯性测量单元(IMU)组合定位系统，结合非线性预测滤波(NPF)和自适应滤波的优点，提出了一种考虑动力学模型系统误差实时估计和补偿的自适应非线性预测滤波(ANPF)算法。首先，根据NPF算法原理，通过最小化预测观测残差与系统误差的加权平方和，估计动力学模型系统误差；其次，结合自适应滤波原理，利用状态预测残差向量构造自适应因子，设计了一种自适应扩展卡尔曼滤波(AEKF)算法，用于估计系统状态向量，并通过自适应因子抑制动力学模型系统误差和线性化误差对系统状态估计精度的影响，克服NPF对系统状态估计精度有限的缺陷；再次，对动力学模型系统误差的估计误差和由动力学模型系统误差引起的系统噪声的等效协方差阵进行了分析和推导，以补偿动力学模型系统误差对系统状态估计的影响；最后，通过车载GNSS/IMU组合定位系统试验，从算法精度、鲁棒性和实时性方面对提出的算法和其他滤波算法的性能进行了验证和对比分析。研究结果表明:提出的自适应算法继承了NPF算法简易性和高实时性的优点，同时克服了NPF算法估计精度有限的缺陷，具有较好的滤波解算精度，水平定位精度小于1.0 m，算法单次平均执行时间约为0.013 9 ms，在精度和实时性的平衡方面显著优于其他滤波方法。     

基于特征电压模型的锂离子电池容量估计与RUL预测

锂离子电池的容量与剩余使用寿命预测对提高其安全性具有重要的意义.该文提出一种基于改进粒子群滤波(PF)算法与特征电压关联模型的锂离子电池容量估计与剩余使用寿命预测方法.提取放电曲线中的特征电压,建立特征电压循环次数及特征电压容量2个关联模型;应用改进PF算法对2个关联模型的参数进行辨识,以实现容量的在线估计与剩余寿命的...     

基于改进粒子滤波算法实现锂离子电池RUL预测

鉴于采用传统粒子滤波算法来预测锂离子电池剩余使用寿命(RUL)过程中,存在粒子多样性丧失现象而导致RUL预测精度较低的问题,引入线性优化重采样思想,建立了基于线性优化重采样粒子滤波(LORPF)的电池RUL预测方法。该方法以双指数模型作为电池老化模型,通过LORPF算法对模型参数进行迭代更新,实现电池RUL预测并给出预测结果的不确定性表达,最后使用美国国家航空航天局PCoE研究中心的电池数据和自主搭建实验平台的电池数据对所提方法与传统PF方法进行对比验证,结果表明该方法有效提高了RUL预测精度,其误差小于5%。     

基于非参数回归-粒子滤波模型的公交到站时间预测

为进一步提高公交到站时间的预测精度,提出了一种基于非参数回归-粒子滤波模型的组合预测方法。首先利用非参数回归预测方法,对公交站间速度顺序进行了预测。考虑到速度自身的时变特性,采用了扩展欧式距离作为度量相似度大小的准则来预测下一个站间速度,保证了速度曲线的相似性和模型的鲁棒性。然后利用采样-重要性重采样思想,构建了基于粒子滤波的公交车辆到站时间预测模型。最后以北京市区内3条典型公交线路为例,利用其工作日早高峰时段的历史运行数据检验模型的准确性。结果表明:(1)基于非参数回归方法预测得出的公交站间速度与实际值更为接近,预测精度显著优于加权平均法的预测结果;(2)基于非参数回归-粒子滤波算法得出的公交到站时间预测结果,线路平均绝对误差在1.5 min内,标准误差在3 min内,平均绝对百分误差均小于4%,预测精度也显著高于加权平均法-粒子滤波、非参数回归-卡尔曼滤波和加权平均法-卡尔曼滤波3种组合算法。模型的敏感度分析结果也进一步显示,预测误差会随着粒子数目的增加而逐渐趋于稳定状态,进而证明提出的方法能有效预测公交到站时间。     

基于模型融合与自适应无迹卡尔曼滤波算法的锂离子电池SOC估计

为提高电动汽车动力电池SOC的估计精度,本文中对锂离子电池模型与参数辨识算法、自适应无迹卡尔曼滤波(AUKF)算法和基于电池模型融合的SOC估计算法进行研究。建立了具有明确物理意义的电池电路模型,采用基于遗传算法(GA)的模型参数辨识算法,设计了基于AUKF的电池SOC估计方法,并基于贝叶斯信息准则,提出了电池模型融合方法,实现了基于模型融合与AUKF的电池SOC估计。仿真结果验证了该方法具有较高的精度。     

动力电池SOC估计的一种新型鲁棒UKF算法

针对动力电池SOC估计过程中,电压观测数据容易出现野值干扰的问题,提出了改进UKF算法,将观测噪声模型修正为归一化受污染正态分布模型,利用贝叶斯定理计算野值出现的后验概率,以此作为加权系数自适应地调整滤波增益和状态协方差。该方法能有效克服野值干扰问题。但在SOC初值设定存在误差情况下,该方法会将电压观测数据中的正常值误视为野值,而仅以很小的滤波增益控制量进行调整,导致算法收敛慢甚至引起发散。因此,在算法初始阶段又引入了基于强跟踪原理的次优渐消因子对目标进行快速跟踪,弥补上述单纯抗野值方法的不足。试验验证结果表明,改进UKF算法鲁棒性强,具有很好的跟踪速度和精度,为动力电池SOC估计过程中抗野值干扰提供了一种新的方法。     

基于电池能量状态估计和车辆能耗预测的电动汽车续驶里程估计方法研究

本文中提出一种基于动力电池能量状态估计和车辆能耗预测的续驶里程估计模型。电池能量状态估计采用电池状态模型估计电池剩余的可用能量,分析了不同因素的影响。利用纯电动车测试数据,基于递推最小二乘算法辨识车辆能耗参数,结合行驶工况预测汽车能耗,进而计算续驶里程。与传统的续驶里程估计方法相比,基于电池能量状态估计和整车能耗预测的续驶里程估计模型的精度有较大提高。     

基于随机加权自适应容积卡尔曼的电池SOC估计

准确估计锂离子电池荷电状态（SOC）对于突破电动汽车发展瓶颈，推动电动汽车商业化至关重要。针对动力电池模型参数辨识问题，提出基于遗忘因子的递推最小二乘法（FRLS）的模型参数在线识别方法。实时测量动力电池电流和电压数据，在线辨识模型参数并实时更新，实时反映电池内部参数的变化过程，对电池动态特性进行实时模拟。针对容积卡尔曼（CKF）滤波过程中对噪声敏感的问题，提出一种基于随机加权思想的自适应容积卡尔曼滤波（ARWCKF）方法。相比于常规CKF容积点权值始终不变，通过引入随机加权因子，自适应调整容积点权值并对系统噪声、状态向量及观测向量进行预测，抑制系统噪声对状态估计的干扰，避免因容积点权重值固定所带来的误差。针对CKF算法在容积点计算过程中由于状态方差矩阵失去正定性导致的平方根分解无法使用的问题，提出基于奇异值分解的容积点计算方法，克服由于先验协方差矩阵负定性变化而导致的滤波精度下降等问题，并进行多种工况、温度下不同SOC初值的对比验证。结果表明：所提出的基于遗忘因子的递推最小二乘法的在线参数辨识及ARWCKF滤波方法具备良好的估计精度及收敛能力，最大电压估计误差不超过40 mV，SOC估计误差不超过1%。     

基于恒流充电曲线电压特征点的锂离子电池自适应容量估计方法

为提高锂离子电池容量在线估计精度,本文中提出一种基于部分充电曲线特征容量在线辨识和阿伦尼乌斯容量衰减模型融合的自适应容量估计方法。针对纯电动汽车极少存在完整充电的情况,提出一种基于恒流充电电压特征点的容量在线辨识方法。该方法先利用遗传算法对缩放平移后的充电曲线进行电压特征点优化,再通过监测有关这两个不动的电压特征点的恒流充电数据,在线辨识电池的当前容量。为进一步提高容量在线估计的精度,通过增量式PID算法来融合容量在线辨识值和阿伦尼乌斯模型,进行模型参数的闭环修正。最后,交变温度寿命实验结果表明,利用本文中提出的自适应估计方法,最大估计误差不超过2%。     

基于改进容量增量分析法的锂电池可用容量估计

针对动力锂电池在使用过程中难以高效准确估计其衰退后可用容量的问题,提出一种不依赖滤波算法的容量增量分析法获取不同型号电池的容量衰退特征,并基于数据驱动的方法搭建可用容量估计模型。首先,分别分析低通滤波与小波滤波在获取容量增量曲线中存在的问题,并对比差分电压值在1、10、20、50 mV时容量增量曲线的形态。其次,采用移动方差算法对不同电压差分值下容量增量曲线的波动性做出评价,确定出峰值特性明显且平滑的容量增量曲线。提取曲线的峰值作为动力锂电池的老化特征,运用斯皮尔曼相关性系数验证老化特征与电池老化状态之间的相关性。然后,引入门控循环单元建立锂电池的可用容量估计模型。最后,将不同老化测试条件下的2类电池老化数据集用于模型验证。研究结果表明:所建立的估计模型能够有效估算锂电池全寿命循环内的可用容量值,2组数据集中测试结果的相对误差除个别值外,多数相对误差值在2%以内;数据组1中,分别选取电池1和电池3测试数据的前50%为训练数据,后50%为测试数据,训练结果绝对误差稳定在0.05 A·h左右,测试结果绝对误差在0.04 A·h左右;对电池2与电池3的全寿命循环可用容量做出估计,结果相对误差稳定在2%左右;数据组2中对电池5、电池6和电池7的全寿命循环可用容量估计结果的相对误差整体亦在2%以内;且模型能够对锂电池循环过程中出现容量再生现象的循环做出4%以内的准确估计,显示出良好的估算精度和泛化能力。     

基于指数加权衰减记忆无迹卡尔曼滤波的路面附着系数估计

针对车辆主动安全控制中路面附着系数这一关键信息,提出一种指数加权衰减记忆无迹卡尔曼滤波(FMUKF)估计算法。该算法在传统无迹卡尔曼滤波(UKF)的基础上,利用衰减记忆滤波来解决由于模型不准确造成的滤波误差过大甚至发散等问题。利用Car Sim和MATLAB/Simulink对算法进行了联合仿真和实车道路试验,并与传统UKF算法的估计结果进行对比分析。结果表明,该算法增强了滤波的稳定性、提高了算法的估计精度,且具有一定的自适应性。     

融合多模型的粒子滤波运动目标实时跟踪算法

提出了一种融合多模型的粒子滤波跟踪新算法(MMGPF),并将其应用于行人与汽车跟踪。此跟踪算法特点在于:(1)将Camshift跟踪算法和AdaBoost分类器的输出作为观测值优化建议概率分布;同时,改进粒子滤波的算法结构,有效地提高了粒子滤波的采样效率;在不影响跟踪性能的情况下,大幅减少了跟踪所需粒子数。(2)用两种描绘子提高对似然性的估计。(3)采用两种有效措施提高算法的实时性。通过多模型融合,有效地解决了目标跟踪过程中由于目标相互遮挡、目标消失再重现、光照变化和目标与背景颜色相近所造成的跟踪丢失。行人和汽车的跟踪试验结果证明该算法具有鲁棒性和实时性。     

车辆操纵稳定性状态估计算法比较研究

建立了基于运动学的车辆3自由度状态估计模型,分别将扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）和粒子滤波（PF）应用到车辆状态估计中,通过仿真试验比较了3种算法的估计效果。结果表明,车辆工作在线性稳定区域时,EKF算法效果最优,而车辆工作在强非线性区域并处于失稳状态时,PF算法效果最优。     

基于BP-EKF算法的锂电池SOC联合估计

电池荷电状态(SOC)的准确估计是电动车辆进行整车控制优化的先决条件,也是合理实施电池管理的依据。本文中在确定1阶RC等效电路模型的基础上,采用含有遗忘因子的递推最小二乘算法和BP-EKF算法对模型参数与SOC进行在线联合估计,提出一种BP神经网络和扩展卡尔曼滤波(EKF)相结合的锂离子动力电池SOC估计方法,使用相应的滤波输出参数离线训练BP神经网络,进而将训练成功的BP神经网络用于补偿EKF算法的估计误差。通过仿真和电池动态工况试验验证,结果表明,与EKF算法相比,所提出的SOC估计方法具有良好的抑制发散和鲁棒性能,能有效提高SOC的估计精度。     

改进粒子滤波算法在组合导航中的应用

为了提高组合导航定位系统的定位精度和可靠性,分别对扩展卡尔曼滤波(EKF)、粒子滤波(PF)和U卡尔曼滤波(UKF)3种算法进行了分析。通过分析3种算法各自的特点,将PF算法和UKF算法的优点相结合,提出了一种新的粒子滤波算法——U粒子滤波(UPF)算法,并将其应用于GPS/DR组合导航系统中。通过对UPF算法与PF算法在GPS/DR组合导航系统中的仿真研究比较,进一步证实了UPF算法的可行性及计算的精确性。     

基于AMMFO优化的MAFPF车辆跟踪方法

针对粒子滤波算法的在车辆跟踪应用中跟踪精度较差及样本贫化问题,提出了一种利用自适应变异更新策略飞蛾扑火优化的多特征粒子滤波车辆跟踪算法。首先,利用目标纹理与颜色特征的互补性,融合两种特征来提高粒子滤波算法在复杂场景跟踪的稳定性。其次,改进飞蛾扑火算法的更新机制,将自适应权值引入飞蛾的螺旋更新策略,并使随机变异策略与其交替更新,增大算法的搜索空间,使得算法更快速地搜索到全局最优。最后,根据阈值分层样本粒子,并使适应变异更新策略飞蛾扑火优化低权值粒子的分布状态,避免样本贫化现象发生。实验表明,本文算法能够在低样本粒子数下有效地提升粒子滤波算法的性能,并在车辆受到阴影、遮挡、尺度和角度变化等复杂背景下,仍能稳定精确地跟踪目标车辆。     

基于粒子群优化神经网络PID控制的车道保持系统研究

提出一种基于粒子群优化神经网络PID的车道保持控制方法。首先搭建车路模型和EPS(Electric Power Steering,电动助力转向系统)模型;然后建立粒子群优化神经网络PID控制器,利用粒子群算法优化神经网络的初始权值和阈值,提高神经网络算法的收敛速度和精度,优化后的神经网络算法在线调整PID控制器的3个参数比例Kp、积分Ki、微分Kd,输出最优组合;最后,进行车道保持硬件在环试验,试验表明:相对于常规PID控制和神经网络PID控制,在粒子群优化神经网络控制下,车道保持系统的跟踪精度和稳定性都更高。