电动汽车用动力电池组建模和参数辨识方法

提出了电动汽车用的锂离子动力电池组电化学极化模型,并利用扩展卡尔曼滤波和最小二乘算法分别建立了在线和离线的参数辨识方法。混合脉冲功率特性试验的验证结果表明:基于提出的电化学极化模型所建立的参数辨识方法能够保证模型最大相对误差在1%以内,可精确模拟动力电池组的动态电压特性。建立的参数辨识方法能有效地避免动力电池初次使用前耗时、复杂且易错的参数辨识及定期的参数标定等试验,提高电池管理系统的工作效率。     

自适应扩展卡尔曼滤波电池荷电状态估算方法

为更精确预估电动汽车动力源的荷电状态,优化戴维南等效电路模型,用自适应扩展卡尔曼滤波进行荷电状态估算。对实验电池进行外特性数据获取实验,分别得到在充放电状态下的开路电压曲线,在开路电压-荷电状态对应曲线中考虑充放电状态变化的因素。对离线参数辨识进行优化处理,在固定参数离线辨识的基础上考虑充放电状态和荷电状态,并与在线辨识进行端电压估算对比。基于优化后电池模型,通过自适应扩展卡尔曼滤波及其对比算法估算荷电状态,在复杂脉冲电流工况下对比端电压和荷电状态的估算精度。结果表明:采用优化后电池模型离线辨识的端电压估算精度达到0.01 V以内,高于在线辨识的端电压估算精度。在优化模型及离线辨识基础上构建自适应扩展卡尔曼、扩展卡尔曼和交互多模型的算法模型,估算电池荷电状态。经动态工况实验验证,基于优化模型自适应算法的荷电状态估算精度达到0.05,高于交互多模型-扩展卡尔曼滤波算法及扩展卡尔曼滤波算法。     

基于DE优化SVR的锂离子电池剩余容量预测

在分析了支持向量机回归算法(SVR)对剩余容量模型非线性回归基础上,针对SVR参数选择难的问题,提出了一种基于微分进化(DE)算法优化SVR的算法。DE具有强劲的全局搜索能力,将其应用到SVR的参数寻优当中去,可以寻找到SVR的最优参数。将该方法应用于锂离子电池剩余容量的预测模型,并将生成的模型和基于粒子群优化(PSO)算法的SVR锂离子电池容量预测模型比较。仿真结果表明,基于DE优化的SVR剩余容量预测的精准度高于PSO优化的SVR剩余容量预测精准度,为锂离子电池容量预测提供了一种新的方法。     

改进SADE-EKF的永磁同步电机参数辨识

针对永磁同步电机（PMSM）参数辨识中扩展卡尔曼滤波（EKF）难以确定合适的系统噪声矩阵Q和量测噪声矩阵R的问题,提出了一种改进自适应差分进化算法（SADE）-EKF的PMSM参数辨识方法。首先分析了扩展卡尔曼滤波器的工作原理,建立了双线程辨识模型;然后通过改进差分进化算法（DE）的变异策略跳出局部最优,并设计了合适的适应度函数;最后,通过SADE算法对EKF的Q和R进行优化。实验结果表明,改进的SADE-EKF在辨识电机参数时比传统的EKF具有更好的收敛速度和辨识精度。     

基于辨识技术的感应电机能效在线监测模型

将标准能效测试方法与电动机参数辨识方法相结合,分析了最小二乘递推(RLS)算法与扩展卡尔曼滤波(EKF)两种参数在线辨识方法计算过程及特点,以最小二乘递推算法为基础实现对电动机定转子漏电感等参数的在线辨识,考虑到最小二乘递推算法对转子电阻动态辨识性能较差,利用扩展卡尔曼滤波算法对电动机转子电阻进行在线辨识。基于在线辨识所得参数搭建电机能效监测模型,获得电机各项损耗及能效,通过仿真验证参数辨识方案可行性,并将能效测试B法所得损耗与该模型监测损耗及能效对比以验证该模型。     

基于遗传蚂蚁混合算法的热网阻力特性辨识

为提高热网仿真计算、故障诊断等理论的实用性,提出了一种基于遗传蚂蚁混合算法(GASCAA)的供热管网阻力特性辨识方法.该方法在辨识模型中引入空间网水力工况计算方法,并采用新型混合优化算法GASCAA求解,有效地提高了辨识方法的计算性能,增强了其解决实际工程问题的能力.实例验证表明,该方法的辨识精度在10%之内,可以满足实际工程的需要,对热网的运行调度具有一定的指导意义.     

嵌入式系统功耗优化电池模型

以锂电池为例,利用广义随机Petri网(GSPN)描述化学电池放电的极化和活性物质扩散过程,提出可同时反映化学电池电流相关和自恢复特性的高层抽象模型。该模型简单,仅包括反映活性物质分布、活性物质扩散速度和极化速度的四个简单的参数。恒流放电和脉冲放电实验显示该电池模型可以快速准确估算化学电池容量。     

某火炮反后坐装置区间不确定参数辨识

为了实现辨识并提高辨识效率,在火炮反后坐过程数学模型的基础上建立神经网络模型。根据不确定参数在一次发射动作过程中的变化特性,将火炮反后坐装置待辨识的参数分为2类,并利用区间数描述系统中的不确定参数。针对第1类参数,通过区间理论中的区间可能度数学模型将区间不确定问题转换为确定性优化问题,以反映数值仿真结果与试验结果的相似程度的时间序列数据相似度作为优化目标,再运用粒子群算法实现辨识。在已辨识第1类参数的基础上,结合粒子群算法和区间优化方法对第2类参数的区间进行优化。结果表明:本文提出的辨识方法具有可行性和有效性。     

基于小波分解的时变系统辨识方法研究

传统的模型辨识方法不适合参数变化较快的时间变系统的辨识,因此提出了基于小波分解的线性时变系统的辨识模型描述以及辨识算法,仿真结果证明了这种辨识方法的有效性。     

基于微粒群优化的船舶柴油机T-S模糊模型

提出了一种基于微粒群优化(PSO)的T-S模糊模型的非线性系统辨识方法,并用于船舶柴油机的动态建模.该辨识方法采用GK模糊聚类算法确定模糊模型的前件结构及参数,利用PSO算法来辨识模糊模型的结论参数.利用6160-All船舶柴油机模型,获得柴油机各主要参数在油门尺度和负载发生小偏差扰动时的试验数据,再利用该组数据辨识出柴油机转速、涡轮增压器转速、增压压力、空冷器压力、进气管压力、排气管压力等参数的T-S模糊动态模型.仿真结果表明了该方法的有效性.     

State of charge estimation by finite difference extended Kalman filter with HPPC parameters identification

State of charge(SOC) is a key parameter of lithium-ion battery. In this paper, a finite difference extended Kalman filter(FDEKF)with Hybrid Pulse Power Characterization(HPPC) parameters identification is proposed to estimate the SOC. The finite difference(FD) algorithm is benefit to compute the partial derivative of nonlinear function, which can reduce the linearization error generated by the extended Kalman filter(EKF). The FDEKF algorithm can reduce the computational load of controller in engineering practice without solving the Jacobian matrix. It is simple of dynamic model of lithium-ion battery to adopt a secondorder resistor-capacitor(2 RC) network, the parameters of which are identified by the HPPC. Two conditions, both constant current discharge(CCD) and urban dynamometer driving schedule(UDDS), are utilized to validate the FDEKF algorithm.Comparing convergence rate and accuracy between the FDEKF and the EKF algorithm, it can be seen that the former is a better candidate to estimate the SOC.     

混合动力挖掘机用镍氢电池SOC估算策略

针对混合动力液压挖掘机上电池充放电工况复杂的问题,提出一种新的结合能量守恒模型和改进型电阻、电容等效电路（RC）模型的电池剩余电荷状态（SOC）综合估算方法,其中能量守恒模型增加了电池的反应热,改进型RC模型在RC模型基础上增加了迟滞效应电压,并运用sigma点卡尔曼滤波法对改进型RC模型的数据进行精确观测,通过调节权重系数将两者结合.针对镍氢(NiMH)池进行充放电实验,并采用能量守恒法、改进型RC模型法以及两者相结合的综合估算方法进行SOC估算的对比研究,结果表明：综合估算方法精度较高,适用混合动力液压挖掘机上电池的SOC估算.     

基于遗传算法的过程辨识方法实现与应用

简单遗传算法存在着收敛速度慢和容易早熟的缺点,针对这种情况,通过合理选择编码方式,改进初始种群选择策略、复制、交叉和变异策略提出一种综合的改进遗传算法,并将其应用于系统模型辨识。用基于排序法的新的选择算子和多个交叉、变异概率,能有效维持种群的多样性,克服算法早熟现象。在改进的算法中,同时用到精英保留策略和模拟小生境方法,保护优良个体,使算法的引导性增强。在系统辨识的过程中,结合系统先验知识,对模型的阶次辨识进行指导。最后通过几个系统辨识的实例验证了该算法的有效性。     

基于强跟踪卡尔曼滤波的电池SOC估计

针对锂电池模型不准确和状态突变导致SOC估计精度不佳的问题,提出了引入时变渐消因子的强跟踪卡尔曼滤波算法.以HPPC试验方法辨识了锂电池的等效二阶RC模型,对比分析了现有的扩展卡尔曼滤波原理及提出的强跟踪卡尔曼滤波算法.通过结合强跟踪原理和卡尔曼滤波算法并引入时变渐消因子,提出的方法能够强制估计残差保持正交特性,并保证残差满足高斯白噪声特性.仿真验证表明,与扩展卡尔曼滤波原理相比,在模型不准确和状态突变的情况下,强跟踪卡尔曼滤波算法具有更高的估计精度,估计误差低于2.5%,提高了近45%.     

基于 SHEKF-GPM 融合的锂电池 SOC 估算

荷电状态（SOC）是电池控制策略和管理系统的重要参数。针对积分法和电压法估算锂电池 SOC 时不能减少误差累积现象,提出一种基于平方根高阶扩展卡尔曼滤波（SHEKF）与灰色预测模型（GPM） 融合的算法,用于估算锂电池 SOC。该方法结合遗忘因子递推最小二乘法（FFRLS）和二阶 RC 等效电路模 型实时在线辨识和修改锂电池模型参数,结合 SHEKF-GPM 融合模型进行锂电池 SOC 状态方程的线性部分 和非线性部分估算。通过仿真分析,得到 SHEKF-GPM 融合算法估算 SOC 时的误差低于 0.3%,协方差误 差为 0% 左右,不会产生误差累积。仿真结果表明,该方法能减少误差累积,提高电池管理系统估算锂电池 SOC 时的实用性、有效性和估算精度。     

Stitching algorithm for ion beam figuring of optical mirrors

A novel stitching machining method for ion beam figuring of optical mirrors is presented in this paper. Problems that should be dealt with in the stitching process such as shaping principle, algorithm for dwell time calculation, parameter identification and compensation for positioning errors are discussed. Based on Computer Controlled Optical Surfacing (CCOS) principle, the finite field nonlinear model is deduced from the stitching shaping mechanism; with the superposition property in the model, a modified Richardson-Lucy iterative algorithm is presented to deconvolute the dwell time for the stitching process; the effect of the positioning errors and the removal rate on the machining accuracy and shape is modeled and then the identification and compensation algorithm for these parameters is proposed based on this model. With these studies, shaping theory and algorithm are constructed, and then the stitching process for ion beam figuring comes into being. Figuring experiments are made on planar samples; the process convergence ratio is 10, which is similar to that in full aperture figuring. Theoretical and experimental studies indicate that the stitching theory and algorithm in the ion beam figuring process presented in this paper are a novel method for fabrication of precision mirrors with lower cost.     

锂离子电池健康状态估计方法

为研究动力锂离子电池的健康状态( state of health,SOH),根据SOH和荷电状态( state of charge,SOC)的定义以及电池的二阶电阻电容( resistance-capacitance,RC)等效电路模型,建立了基于恒流充电阶段电池电压曲线的SOH估计模型。通过分析电池循环寿命测试数据,利用恒流充电阶段电池电压曲线对SOH进行估计,并与试验数据进行了对比,在SOH值衰减至80%之前,SOH估计的相对误差均在±2%范围内,能较好地吻合试验结果。结果表明：所提出的估计方法具有可行性和精确性。