基于遗忘递推最小二乘与自适应无迹卡尔曼滤波的锂电池SOC估计

针对无迹卡尔曼滤波(UKF)在噪声不确定及工况复杂情况下锂电池荷电状态(SoC)估计精度低的问题,提出基于自适应无迹卡尔曼滤波(AUKF)的估计方法.建立了基于二阶RC等效电路模型的锂电池状态方程,采用遗忘递推最小二乘(FFRLS)参数辨识方法,将Sage-Husa自适应滤波算法与UKF相结合对系统噪声协方差进行实时更...     

基于自适应卡尔曼滤波的锂离子电池SOC估计

采用自适应卡尔曼滤波方法,基于锂离子动力电池的等效电路模型,在未知干扰噪声环境下,在线估计电动汽车锂离子动力电池荷电状态(SOC)。仿真结果表明,采用自适应卡尔曼滤波方法估计的SOC误差小于2.4%,有效降低了电动汽车行驶时电池管理系统所受到的未知干扰噪声影响,SOC估计精度高于扩展卡尔曼方法,且具有较好的鲁棒性。     

基于Kalman滤波的城市环路交通流短时预测研究

在介绍现有的主要交通流预测方法的基础上，阐述了基于卡尔曼滤波（Kalman）的预测模型及其具体算法。结合城市环路的交通运行特性，构建了基于卡尔曼滤波的交通流短时预测模型，并根据北京市三环路的实际数据对模型进行验证。实证数据表明．所建立的交通流动态实时预测模型的预测效果比较理想，算法的实时性也满足实际预测系统的要求，可应用于交通流预测及交通智能控制。     

基于自适应无迹卡尔曼滤波的汽车状态参数估计

针对车辆状态参数估计过程中过程噪声和测量噪声的不确定性,提出一种基于自适应无迹卡尔曼滤波的车辆状态参数估计算法.建立包括纵向、横向和横摆3个自由度的车辆动力学模型,基于无迹卡尔曼滤波理论建立自适应无迹卡尔曼滤波估计模型,最后搭建MATLAB/Simu-link-Carsim联合仿真平台对提出的算法进行仿真验证.结果表明...     

卡尔曼滤波短时交通流预测普通国省道适应性研究

短时交通流预测是提高普通国省道交通运行效率和安全的关键技术之一。普通国省道具有分布地域广、情况复杂的特点,要求短时交通流预测方法具有良好的适应性,然而,针对短时交通流预测算法适应性及其机制的系统性研究尚不多见。选取1种自适应卡尔曼滤波算法,系统分析其适应性和适应机制。获取江苏省徐州市普通国省道路网中8个交通调查站所采集的实际交通流数据开展实例分析,结果表明:在不同的交通流量水平下,所选算法均值预测的平均绝对百分比误差在10.98%~15.92%之间,区间预测的无效覆盖率在5.21%~6.15%之间,表明所选的自适应卡尔曼滤波算法在不同交通流水平下都具有良好的预测性能;对所选算法的参数进行分析发现,算法参数能够随交通流水平的变化而自动调整,具有良好的自适应机制;所选算法能够在预测初期实现有效的性能调整和收敛。      

基于递归框架的高速公路交通流量实时预测方法

实时与准确的断面交通流量预测是实现高速公路智能化管理与控制的基础。高速公路交通流量预测要求对数据噪声进行有效处理,且需要满足实时性需求。然而,少有研究从实时性的角度对高速公路交通流量预测的准确性进行改善。研究了结合自适应卡尔曼滤波与长短时记忆神经网络（long short-term memory,LSTM）自编码器的高速公路交通流量递归预测框架,可以满足智能交通系统的实时性与准确性需求。收集高速公路的交通流量和速度等历史数据,应用卡尔曼滤波方法进行数据平滑,以提高原始数据的可预测性能;引入无监督机器学习算法LSTM自编码器对交通流量的时变特征进行建模,以提高模型的运算效率;考虑到高速公路交通流量预测的实时性需要,进一步提出递归预测框架,用LSTM自编码器的预测值代替卡尔曼滤波值;根据获取的实时数据,执行自适应卡尔曼滤波算法以修正当前的最佳状态值,并将该修正值输入LSTM自编码器进行迭代预测。选取美国明苏尼达双子城高速公路的实测交通数据进行案例分析,结果表明：所提出的高速公路实时交通流量递归预测框架在计算成本与预测精度2个方面具有相对竞争优势,模型预测的平均绝对百分比误差为5.0%,优于...     

汽车行驶状态参数的估计

介绍Sage-Husa自适应卡尔曼滤波算法和滤波估计流程,建立二自由度汽车模型,在模型中加入系统噪声和测量噪声,建立系统状态方程和观测方程。利用自适应卡尔曼滤波算法,对汽车质心侧偏角和横摆角速度进行估计,并进行转向盘转角正弦输入仿真分析,仿真结果表明两者的真实值和估计值吻合良好。利用自适应卡尔曼滤波算法对汽车行驶状态参数进行估计可以降低汽车的成本,是一种行之有效且具有工程应用价值的方法。     

基于自适应卡尔曼滤波法的悬臂施工挠度控制

挠度是连续刚构桥悬臂施工控制的重要对象,其实测值受多个因素影响.从实测挠度中获悉反映结构受力的真实挠度,对其施工控制具有重要意义.基于改进的自适应卡尔曼滤波算法从挠度实测值中提取出真实信号,预测待浇梁段的挠度变化,并调整施工预拱度,使施工实际状态逼近理论计算轨迹,达到施工监控的目的.通过实际工程的应用,证明该方法具有良...     

基于改进的Sage-Husa自适应扩展卡尔曼滤波的车辆状态估计EI北大核心CSCD

本文中提出了一种基于改进的Sage-Husa自适应扩展卡尔曼滤波的车辆行驶状态估计算法。首先建立了非线性3自由度车辆估算模型和Dugoff轮胎模型。接着通过对纵向加速度、侧向加速度、横摆角速度和转向盘转角等低成本传感器信号的信息融合,实现对车辆行驶状态的准确估计。最后应用CarSim和Matlab/Simulink联合仿真对算法进行验证。结果表明:基于改进的Sage-Husa自适应扩展卡尔曼滤波的估计算法能比扩展卡尔曼滤波算法更准确、稳定地估计车辆行驶状态。     

路面附着系数的自适应衰减卡尔曼滤波估计

为了获得实时、准确的路面附着系数,进一步提高观测路面附着系数算法的精度和收敛速度,结合非线性车辆动力学模型和轮胎力修正模型,搭建分布式驱动电动汽车联合仿真平台,提出一种基于自适应衰减无迹卡尔曼滤波的路面附着系数观测算法。该算法设计与各轮对应的路面附着系数观测器,应用协方差匹配判据对观测器发散趋势进行判别,设计自适应加权系数修正预测协方差,以增强新近观测数据的利用率;同时采用次优Sage-Husa噪声估计器对未知的系统过程噪声进行估计,抑制观测器的记忆存储长度,调整过程噪声和测量噪声的均值与协方差,提高观测器的跟踪能力。利用分布式驱动电动汽车分别进行高、低附着路面和对开路面直线制动试验,并将自适应衰减无迹卡尔曼滤波路面附着系数观测器的观测结果与无迹卡尔曼滤波观测值、参考路面附着系数进行比较和分析。结果表明：高附着路面条件下,所设计的算法估计误差可控制在0.64%以内;低附着路面条件下,所设计的算法估计误差可控制在1.03%以内;对开路面条件下估计误差可控制在1.26%以内;自适应衰减无迹卡尔曼滤波算法相比无迹卡尔曼滤波算法响应速率更快,具有更高的估计精度和较强的自适应能力,估计结果整体上维持稳定,能够适应各种不同路面的估计。     

基于多源数据的城市道路网络行程时间预测模型

针对基于单一数据源、利用卡尔曼滤波理论建立行程时间预测模型存在的不足,采用多源数据进行行程时间预测以提高精度。浮动车、固定检测器是常用的交通信息采集方法,在信息种类、数据精度等方面存在一定的互补性。因此,选择2种检测器的实时交通数据作为模型输入参数。利用卡尔曼滤波理论,以流量、占有率、行程时间作为输入量构成参数矩阵,建立城市道路网络行程时间预测模型。并通过Vissim仿真实验验证了模型的有效性。结果表明:基于多源数据的行程时间预测模型平均绝对相对误差为5.45%,其精度比单独采用固定检测器检测数据预测提高了14.4%,比单独采用浮动车数据预测提高了7.5%。      

基于状态空间模型的道路交通状态多点时间序列预测

以多点的道路交通状态为研究对象,把道路交通状态单点预测向多点同时预测扩展,提出了基于状态空间模型的道路交通状态多点时间序列预测方法。首先,利用道路交通状态的多点时间序列数据建立多维自回归模型,转化状态空间模型形式,接着利用EM算法估计状态空间模型参数,从而得到多点道路交通状态的状态空间模型;其次,根据时间序列数据估计系统状态,利用卡尔曼滤波算法进行一步预测,补充新的数据并更新系统状态递推预测;最后,利用某城市快速路上相邻6个交通检测器采集的多点时间序列数据验证模型的有效性,并与卡尔曼滤波单点预测方法相对比。结果表明:该模型是可行和有效的。     

基于多信息融合的全轮独立电驱动车辆车速估计

鉴于用非驱动轮轮速信号来估计车速的方法已不适用于没有非驱动轮的全轮独立电驱动车辆,提出了借融合车载普通传感器信号和驱动电机反馈信号等多信息源,并基于稳态工况下的轮速信号卡尔曼滤波和瞬态工况下的加速度积分的全轮驱动车辆车速估计方法.通过实车试验对该方法的有效性、适用性和精度进行了验证.     

卡尔曼时间序列模型预测路面平整度指数

路面平整度的发展趋势受交通量、温度及使用时间等许多因素的影响,很难建立综合全面的预测模型。而时间序列法利用历年的IRI值可解决这个问题。针对传统的时间序列法计算的不足,提出了将卡尔曼滤波应用于时间序列IRI预测模型的方法,能充分利用观测值对状态估值进行实时修正,可有效提高预测模型的预测精度,且无需储存大量的历史观测数据。最后,通过实例证明了该模型有效可行。     

卡尔曼滤波在FE车型GPS中的应用

本文介绍了卡尔曼滤波应用于FE车系GPS中有助于精确的定位,通过对速度信号等参数进行评估、设计,使GPS定位模块在较佳的条件下工作,从而达到精准定位。     

基于Novozhilov-柔度理论的连续弯箱梁桥位移参数Kalman滤波识别

为了有效评估和预测弯箱梁桥位移场、应力场,进行了连续弯箱梁桥位移参数的识别,推导了连续弯箱梁桥位移参数的Kalman滤波方程,同时基于Novozhilov-柔度理论,给出了弯箱梁桥位移参数Kalman滤波识别的具体步骤。研究结果表明:连续弯箱梁桥位移参数的Kalman滤波识别对位移参数滤波初始值的选取有较强的依赖性,位移参数滤波初始值选取恰当时,位移参数的Kalman滤波识别过程稳定收敛,且收敛于参数真值;滤波初始值选取不合理时,滤波过程易发散。     

基于卡尔曼滤波的交叉口动态O-D反推模型与算法

交叉口各进出口道之间的实时转向交通量是信号控制系统重要的输入数据,也是难以获得的数据.针对已有模型收敛速度较慢、无法满足实际系统应用需要的问题,提出了基于卡尔曼滤波的状态空间模型,设计了顺序卡尔曼滤波进行求解,并采用裁切和标准化对反推结果进行了修正.实例研究表明,模型和算法具有较高的效率和准确性,能够为实时自适应信号控制系统的开发提供支持.     

基于状态空间的连续断面船舶交通流量预测研究

船舶流量预测是船舶交通流研究的重要内容,建立科学合理的船舶流量预测模型有助于航道的设计、规划和管理。将传统的单断面船舶交通流预测方法向多断面进行改进和推广,提出基于状态空间和卡尔曼滤波的多断面交通流预测模型。利用船舶交通流多断面流量数据的时间序列进行多维线性回归,并转化为状态空间模型形式;在此基础上由卡尔曼滤波算法对交通流量进行递推预测,得到多断面交通流的预测值。作为实证研究,分别对武汉长江大桥、武汉长江二桥2个断面,以及长江重庆段朝天门、万州、巫山3个断面进行实际数据分析来验算模型的有效性,并与单断面多维线性回归预测方法进行对比。结果表明,使用状态空间模型得到的武汉长江大桥、二桥预测结果的平均相对误差分别减少4.59%,0.97%;而重庆段3个连续观测点采用状态空间法预测比使用时间序列预测平均绝对误差和平均相对误差均有不同程度的降低,其中平均相对误差分别降低1.08%,4.28%, 3 .54%。因此,在不同时间维度上,该模型有助于提高多断面交通流预测精度。      

Short-Term Highway Traffic State Prediction Using Structural State Space Models

This research proposes a short-term highway traffic state prediction method based on a structural state space model, with the intention to provide a robust approach for obtaining accurate forecasts of traffic state under both recurring and non-recurring conditions. True traffic state is decomposed to three components, namely, regular traffic pattern, structural deviation, and random fluctuation. Particularly, the structural deviation term reflects the change of true traffic state from regular (historical) pattern, due to unexpected capacity reduction and/or demand variations. A polynomial trend is adopted to describe the temporal evolution of structural deviations across different time intervals. We derive an analytical form of structural deviations in a single bottleneck case based on cumulative flow count diagrams. The proposed model is incorporated in a Kalman filtering-based algorithmic framework, together with an adaptive scheme for determining the variances of random errors. A set of numerical experiments was conducted on two test beds in the northern Taiwan highway network. Experimental results show that the proposed approach is particularly superior to an ordinary Kalman filtering method presented in the literature under non-recurring conditions, highlighting the advantage of combining both the polynomial trend model and historical pattern into the proposed short-term traffic state prediction approach.