异常情况下电动汽车锂电池SOC估计

为提高锂电池在状态突变、模型不准确、SOC初始误差大等异常情况下的SOC估计精度和收敛速度,提出了基于强跟踪卡尔曼滤波算法的SOC估计方法。建立了锂电池的双RC等效电路模型,使用HPPC方法辨识了模型参数;分析了扩展卡尔曼滤波原理和缺陷,在误差协方差矩阵中引入时变渐消因子,用于改进修正系数矩阵,强行使残差序列保持正交特性,基于此原理提出了强跟踪卡尔曼滤波算法。经仿真验证,在模型不准确和状态突变情况下,强跟踪卡尔曼滤波的最大估计误差为2%,而扩展卡尔曼滤波最大误差为4.5%;在SOC初始误差较大情况下,强跟踪卡尔曼滤波在15 s内收敛至真值,而扩展卡尔曼滤波在40 s时收敛至真值。     

基于ARWLS和AUKF的锂电池SOC估计

精确估计锂电池荷电状态（SOC）对纯电动汽车的安全稳定行驶有着深远影响,对锂电池SOC状态的估计主要有参数辨识算法和SOC估计算法两个热点问题。针对辨识过程中出现的“数据饱和”现象以及锂电池SOC状态估计时的滤波发散问题,文章提出了自适应遗忘因子递推最小二乘法（ARWLS）-自适应无迹卡尔曼滤波（AUKF）联合算法。首先建立了二阶R-C锂电池数学模型,并针对传统最小二乘法在参数辨识过程中出现的“数据饱和”现象,引入了自适应遗忘因子动态修正新旧数据权重,提升在线参数辨识的准确度以及效率。其次,针对无迹卡尔曼滤波存在的滤波失效问题,提出了自适应无迹卡尔曼滤波算法来自适应调整系统噪声和观测噪声,从而提高SOC估计时的适应性和鲁棒性。最后在混合动力脉冲能力特性（HPPC）工况下对扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）和AUKF三种SOC估计算法进行仿真比较,仿真结果表明,AUKF算法估计的SOC曲线跟随SOC真实值曲线变化的性能最好,估计精度也优于其他两种算法,具有更小的估计误差,收敛性也最好。     

最优预瞄加速度驾驶员模型参数试验辨识方法研究

研究通过试验辨识获得最优预瞄加速度驾驶员模型物理参数的方法。采用时域辨识方法确定模型传递函数,采用非线性最小二乘法确定传递函数中所包含的物理参数,利用已知目标函数优化预瞄时间和反应时间,针对仿真数据进行了辨识分析。结果表明,该方法对驾驶员模型物理参数的辨识具有良好的效果。     

汽车超声波油耗测试计算方法

针对汽车油耗间接测试法和直接测试法存在的不足,基于超声波技术和单片机控制技术,根据时差法超声波流量测试原理,构建汽车油耗测试数学计算模型。超声波流量传感器基于声时和几何参数测试燃油流量,采用扩展卡尔曼滤波法计算声时;利用三维坐标法测算超声波流量传感器的几何参数,进行了几何参数计算误差分析与修正。最后,对采用有限数量声路速度信息计算得到的流量误差进行了积分修正和校准。分析结果表明：该方法可为优化油耗测试数学模型、提高汽车油耗测试精度提供理论依据。     

基于FFRLS-EKF联合算法的锂离子电池荷电状态估计方法

针对现有基于电池恒定参数模型的SOC估计方法忽略了工况和SOC对电池模型参数的影响而导致SOC估计误差偏大的问题，本文提出一种将带有遗忘因子递推最小二乘算法与扩展卡尔曼滤波算法相结合的联合SOC估计方法。该方法先利用FFRLS算法在线辨识电池等效电路模型参数并实时修正电池模型，再利用EKF算法和实时修正的电池模型估计电池SOC。实验结果表明，本文所提的SOC估计方法能有效减小电池模型参数变化所带来的SOC估计误差。在脉冲放电、脉冲充电和动态应力测试实验中，最终电池SOC估计的最大误差分别为1.01%、0.87%和1.59%。     

基于自适应模拟退火算法的轮胎模型参数辨识

针对Magic Formula轮胎模型,提出了基于自适应模拟退火算法的轮胎模型参数辨识方法;以轮胎实测数据为基础,以多垂直载荷下拟合结果与原始数据之间的加权误差平方和最小化为优化目标,构建优化流程对模型参数进行辨识;对辨识结果进行残差分析表明,自适应模拟退火算法能实现轮胎模型多参数的准确、高效辨识。     

电动汽车动力电池荷电状态估计

精准可靠的荷电状态估计对电动汽车整车性能有举足轻重的影响,从而成为国内外学者研究的重要方向。文章选取三元锂离子电池作为研究对象,然后介绍了几种荷电状态的估计方法,选择使用模型基础法进行荷电状态的估计,构造一阶Thevenin模型,然后利用充放电实验所得数据和MATLAB里的多项式拟合工具构造得出开路电压-荷电状态（OCV-SOC）的函数对应关系。通过使用最小二乘法来辨识对模型中的参数值可以进行离线辨识,再使用自适应扩展卡尔曼滤波（AEKF）算法来估计锂离子电池的荷电状态。随后进行了动态应力测试（DST）实验,将扩展卡尔曼滤波（EKF）算法与AEKF算法进行荷电状态估计的对比及误差分析,从而对AEKF算法的精确度进行检验。最终通过实验数据可以得出结论,文章介绍的AEKF算法对DST实验工况的荷电状态估计可以保证较满意的精确度,并且此算法不是很复杂,操作性强。     

Magic Formula轮胎模型参数辨识的一种混合优化方法

Magic Formula(MF)轮胎模型能够准确描述轮胎的侧偏特性,广泛应用于车辆动力学的研究。由于MF轮胎模型参数多,且高度非线性,从大量的试验数据中准确辨识这些参数相当困难。提出一种基于遗传算法和数值优化算法的混合优化方法,采用由粗到精的辨识过程,先利用遗传算法得出近似最优解,再利用数值优化算法辨识出精确的参数。利用辨识出的参数计算轮胎的侧偏特性,计算结果与试验数据吻合良好,表明该方法是辨识MF轮胎模型参数的有效手段。     

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。     

基于动态优选遗忘因子最小二乘在线辨识的磷酸铁锂电池SOC估算

为提高行驶中电动汽车的动力电池荷电状态(SOC)估算精度,以磷酸铁锂电池为例,提出了一种基于粒子群优选遗忘因子最小二乘(PSO-FFRLS)在线辨识模型的电池SOC估算方法。首先建立电池二阶等效电路模型,然后运用粒子群优化(PSO)算法实时为遗忘因子递推最小二乘法(FFRLS)优选最佳遗忘因子,最后,在动态工况下,对比了常用定遗忘因子最小二乘和PSO-FFRLS的在线辨识端电压误差,并分别与扩展卡尔曼滤波(EKF)算法联合,对比2种方法的估算效果。结果表明,PSO-FFRLS的端电压在线辨识结果能更好地跟随实测电压且误差极小,其与EKF的联合算法对SOC的估算精度也更高。     

基于RLS和UKF算法的锂电池SOC估算研究

电池的荷电状态估计是锂电池管理系统重要的参数之一,在电池能量优化,电池安全及系统可靠性优化方面发挥着重要的作用。文章以二阶Thevenin等效电路作为电池模型,通过递推最小二乘法(RLS)对电池参数进行辨识,采用无迹卡尔曼滤波算法估计电池的SOC(State of charge)。并将估计的结果与试验测量结果进行比较,仿真结果显示,RLS与UKF的联合估计方法可有效估计电池的SOC值,使估算偏差值基本保持在2%以内。     

基于扩展卡尔曼滤波神经网络算法的公路货运周转量预测

介绍了扩展卡尔曼滤波的原理,针对人工神经网络神经元之间权值的调整过程,建立了权值调整的状态空间模型,并采用扩展卡尔曼滤波对该模型的状态变量进行递推估计.文中仿真以全国历年公路货运周转量为例,分别采用BP算法和扩展卡尔曼滤波算法对神经网络进行训练,2种训练方法预测的结果对比表明扩展卡尔曼滤波训练算法具有更好的准确性和更高的运算效率.     

基于改进无迹卡尔曼滤波的电池SOC估计

针对电池SOC初值误差较大时,无迹卡尔曼滤波收敛较慢的问题,本文提出了改进的无迹卡尔曼滤波算法。介绍了3种常用的电池等效电路模型,通过对电池的EIS分析,确立了磷酸铁锂电池的Thevenin模型并辨识了模型参数。分析出无迹卡尔曼滤波在初值误差较大时收敛较慢的问题,在此基础上提出了改进的无迹卡尔曼滤波算法。通过实验可以看出,改进算法不仅克服了无迹卡尔曼滤波收敛速度慢的问题,而且提高了估计精度;使用改进算法对老化过程中的电池进行SOC估计,最大估计误差在4%以内,可以满足电动汽车的使用要求。     

考虑迟滞特性的卡尔曼滤波和门控循环单元神经网络的锂离子电池SOC联合估计

由于迟滞特性的存在，电池管理系统难以准确获得开路电压（OCV）与荷电状态（SOC）之间的状态关系。为有效地运行和管理动力电池，本文研究了考虑迟滞特性的锂离子电池模型，选用带有遗忘因子的递推最小二乘法进行参数在线辨识。提出了一种联合门控循环单元（GRU）神经网络和自适应扩展卡尔曼滤波（AEKF）的SOC估计，分别以AEKF和GRU神经网络的估计结果为模型值和测量值，通过卡尔曼滤波（KF）得到最终的SOC估计结果，并作为下一时刻AEKF的输入。结果表明，常温环境下考虑迟滞特性的模型对端电压预测及联合估计法对SOC估计的均方根误差（RMSE）分别在0.5 mV和0.64%以内；低温及变温环境下端电压预测及SOC估计的RMSE分别在0.9 mV和0.72%以内。考虑迟滞特性的模型及联合估计法具有良好的精度和鲁棒性。     

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EKF和模态坐标转换的结构损伤识别方法

本文在扩展卡尔曼滤波算法的基础上,结合模态坐标变换,以模态坐标初始值和结构单元损伤参数构建状态向量,提出一种改进的扩展卡尔曼滤波(EKF)算法,可成功识别结构参数。通过数值算例的识别结果,证明本文方法能够对结构损伤参数有效识别。     

电动汽车锂电池建模及参数辨识方法研究

介绍多种电池模型及其参数辨识算法,综合考虑辨识复杂程度和精度,提出一种利用一阶RC电路模型、遗忘因子最小二乘优化算法、监控平台电池孪生模型的锂电池建模及参数辨识方法,并进行实车应用验证。结果表明,该方法能够使SOC的估计误差保持在3%以内。     

基于轮胎六分力测试的PAC2002轮胎模型参数辨识方法研究

对目前应用较广泛的PAC2002轮胎模型参数辨识方法进行了系统深入的分析。应用MTS Flat-Trac CT高速轮胎特性试验台对不同工况下的轮胎六分力进行测试,应用最小二乘思想,基于相关测试数据,运用下山单纯形法(Nelder-Mead)、遗传算法与随机值法相结合的混合优化算法进行轮胎模型参数辨识,通过算例验证了算法的有效性。     

基于自动驾驶汽车稳定性的聚类辨识模型设计

在自动驾驶汽车中高级辅助驾驶系统（ADAS）的设计过程中，车辆稳定性控制目标并没有考虑驾驶员个性化特质需求，尤其在一些极端行驶条件下控制效果会适得其反。鉴于此，在传统汽车稳定性评价标准的基础上融合了隐马尔科夫理论（HMM）和K-means聚类算法，采用无迹卡尔曼滤波和因子加权分析的参数处理方法，设计了一种自动驾驶汽车稳定性辨识模型。模型通过Carsim/Simulink和基于DSPACE驾驶模拟器的硬件在环仿真方法进行了验证。结果表明：该模型能够实现自动驾驶汽车稳定性的合理分类和在线辨识，同时能为今后进一步优化自动驾驶汽车轨迹规划方法提供理论依据。     

船舶运动模型参数辨识研究综述

创建精确且可靠的运动模型是有效分析船舶操纵性和保障船舶智能航行的关键。相较于常用的船舶运动建模方法（包括经验法、试验法、计算流体动力学数值法），参数辨识技术是1种实用有效、迁移性强的建模手段，但因受到诸如船舶强非线性运动特性、时变耦合的环境干扰、内外多重不确定性等众多复杂因素的影响而面临极大挑战。围绕船舶运动模型参数辨识技术的4个核心内容，即最优输入设计、船舶运动数学模型、参数估计算法、辨识模型测试验证，重点梳理了富含操控特性的激励数据获取、多型船舶运动模型、经典-智能-混合参数辨识方法、辨识模型评估方法相关的研究现状，剖析了噪声干扰、参数漂移、参数时变、评价指标选取等主要问题，发现面对操纵与航行特征复杂的船舶，获取覆盖广域运动特征的高质量数据仍无较好方法，参数漂移现象与模型复杂度紧密相关，且无法完全避免。面向数据高质量化、辨识实时性、航行场景复杂化等的发展要求，对船舶运动模型参数辨识技术在船舶操纵运动数据获取与处理，如鲁棒估计与信息融合、鲁棒在线参数辨识、多新息智能算法、复杂场景下的船舶运动辨识建模如受限条件下船舶运动辨识建模等重点方面进行了展望。