MAFFRLS算法辨识锂离子电池模型参数

建模方法和模型参数辨识方法会影响锂离子电池状态的准确估计,特别是在动态工况下,因此在线辨识电池模型参数的方法很重要。提出一种改进的自适应遗忘因子递推最小二乘(MAFFRLS)法,优点是在不同误差范围内可以自适应地更新遗忘因子最优值。选用二阶RC等效电路模型,在动态工况下对该算法进行验证。将所提出的算法与递推最小二乘(RLS)法和遗忘因子递推最小二乘(FFRLS)法进行对比。在动态应力测试(DST)工况下,使用RLS、FFRLS和MAFFRLS算法估计电压,平均绝对误差分别为0.010 2 V、0.009 9 V和0.004 6 V,均方根误差分别为0.015 5 V、0.015 0 V和0.006 8 V。MAFFRLS算法的平均绝对误差和均方根误差更小,准确性更高。     

分裂电池模型的在线参数辨识

分裂电池模型(SBM)是一种可消除状态变量间相互干扰的新型模型,但该模型的参数辨识一般采用传统的最小二乘法(RLS),无法实时跟踪模型参数,且RLS会出现数据饱和,导致辨识精度低,影响电池荷电状态(SOC)估算精度。针对这一问题,提出基于分裂电池模型的带遗忘因子的递推最小二乘法在线参数识别方法,该方法能够实现模型参数的在线识别并提高辨识精度,基于辨识的模型参数利用无迹卡尔曼滤波(UKF)算法估算SOC,从而提高电池SOC估算精度。实验结果表明,采用带遗忘因子的递推最小二乘法可提高模型参数的估算精度,并有效改善SOC的估算效果。     

遗忘因子递推最小二乘法辨识锂离子电池参数

递推最小二乘法是辨识锂离子电池等效电路模型参数常见的方法，然而随着递推过程中数据的增加，新数据的生成会受到旧数据的影响，导致误差较大。为此，对锂离子电池的二阶RC等效电路模型进行建模和分析，提出一种用于等效电路模型参数在线辨识的遗忘因子递推最小二乘(FFRLS)法。在动力应力测试实验的基础上，在线辨识等效电路模型参数，利用识别的电路参数对电池电压进行在线预测。通过对比不同遗忘因子(λ)下的端电压均方根误差，发现λ=0.86～0.94为最佳范围。所提算法的精度优于递推最小二乘(RLS)法，验证了算法的可行性和有效性。     

基于递推最小二乘法与模型参考自适应法的鼠笼式异步电机转子电阻在线辨识方法

为了能够实时准确地获取鼠笼式异步电机转子电阻,提出一种将递推最小二乘法(recursive least square method,RLS)与模型参考自适应法(model reference adaptive system,MRAS)相结合的转子电阻在线辨识方法。该方法首先推导基于dq0坐标系下标准最小二乘法形式的电机参数辨识模型,采用带遗忘因子的递推最小二乘算法辨识得出电机电感参数;然后将上述辨识得到的电感值作为基于瞬时无功功率的模型参考自适应系统中的电机常数,并采用基于波波夫超稳定性理论设计的PI自适应律,实现不同运行状态下的转子电阻在线辨识。以一台5.5 kW异步电机为例进行了仿真与实验研究,仿真结果表明,文中方法适用于转速波动明显且转子电阻变化较大的复杂运行工况,且具有计算量少、准确度高以及较好的动态跟踪辨识性能;进行不考虑温升与考虑温升的转子电阻在线辨识实验对比,验证了文中方法的正确性与有效性。     

基于VFFRLS算法的锂电池参数辨识

动力电池性能是影响电动汽车综合性能的关键因素,因此准确辨识锂离子电池模型的参数对后续电池系统的荷电状态估计和健康状态预测至关重要。为了提高锂离子电池模型参数辨识算法的精度,以磷酸铁锂电池作为研究对象,建立电池二阶RC等效电路模型,并采用基于变量遗忘因子的最小二乘算法对锂离子电池模型进行在线参数辨识。通过搭建测试平台进行充放电实验,基于2种不同工况的实验数据,分别用文中算法、递推最小二乘算法和传统的带遗忘因子的最小二乘算法进行参数辨识,根据辨识结果估计出的端口电压与实验测试得到的实际值的误差比较来描述文中算法辨识结果的准确度。实验结果表明,基于变量遗忘因子的最小二乘算法在锂电池参数辨识方面表现出快速的收敛性和较高的估计精度。     

基于改进RLS算法的时变幂函数负荷模型参数辨识

考虑到实际配电网负荷的组成会随着用户行为、天气状况以及系统运行方式而发生变化,负荷模型的参数与外界影响因子之间的关系是复杂且非线性的,并应随时间发生变化,因此,提出采用考虑时变性的幂函数模型来描述配电网负荷和电压随时间变化的情况。此外,为了提高模型参数辨识的准确性,提出基于三阶累积量的可变遗忘因子递推最小二乘法,用于自适应跟踪模型的时变参数。基于数字仿真算例和电网实际采样数据,对改进算法和传统递推最小二乘法的负荷模型参数辨识结果进行了仿真比较,从各类误差评价指标来看,改进算法估计精度优于传统递推最小二乘法,具有良好的跟踪性能和抑噪性能。     

动态工况电池在线参数辨识及SOC估计研究

基于电池模型的荷电状态(SOC)估计方法,其估计精度主要取决于模型的精度。电池在动态工况下,输入电流变化激烈,传统的辨识方法因其收敛性差,导致模型精度降低。为了提高动态工况下电池模型精度,对传统带遗忘因子最小二乘法(FFRLS)进行改进,通过设置精度阈值,引入梯度矫正的方法,提出了改进带遗忘因子递推最小二乘法(IFFRLS)。利用改进算法进行在线参数辨识,建立二阶RC等效电路模型,与其他传统参数辨识建立的模型进行对比,验证IFFRLS对模型精度提高的有效性,模型平均误差为0.003 8 V。最后,将不同辨识方法所建立的模型与扩展卡尔曼滤波(EKF)算法进行联合估计SOC并对比其误差,结果表明通过IFFRLS辨识出来的高精度模型可有效提高SOC的估计精度,DST工况下,误差在1.51%以内。     

基于FF-MILS的锂离子电池模型参数辨识

以三元正极材料锂离子电池为研究对象,选用二阶RC电池模型,采用遗忘因子多新息最小二乘算法(FF-MILS)进行在线参数辨识.比较带有遗忘因子最小二乘算法(FFRLS)与遗忘因子多新息最小二乘算法辨识结果估计的端电压与实测端电压的绝对误差,以验证参数辨识效果.实验结果表明,在城市道路循环工况(UDDS)下,遗忘因子多新息最小二乘算法的平均绝对误差比未改进的算法减少了0.5％.     

基于模型参考自适应的PMSM在线辨识研究北大核心

结合最小二乘法与模型参考自适应法对永磁同步电机定子电阻、电感与转子磁链在线辨识的优点,提出一种改进的基于模型参考自适应的永磁同步电机参数在线辨识方法,该方法是在模型参考自适应法中加入最小二乘法。仿真结果表明,这种改进的辨识方法能够在不影响精度的前提下明显地提高辨识速度和减少动态过程的振荡。     

动态工况电池在线参数辨识及SOC估计研究

基于电池模型的荷电状态(SOC)估计方法,其估计精度主要取决于模型的精度。电池在动态工况下,输入电流变化激烈,传统的辨识方法因其收敛性差,导致模型精度降低。为了提高动态工况下电池模型精度,对传统带遗忘因子最小二乘法(FFRLS)进行改进,通过设置精度阈值,引入梯度矫正的方法,提出了改进带遗忘因子递推最小二乘法(IFFRLS)。利用改进算法进行在线参数辨识,建立二阶RC等效电路模型,与其他传统参数辨识建立的模型进行对比,验证IFFRLS对模型精度提高的有效性,模型平均误差为0.003 8 V。最后,将不同辨识方法所建立的模型与扩展卡尔曼滤波(EKF)算法进行联合估计SOC并对比其误差,结果表明通过IFFRLS辨识出来的高精度模型可有效提高SOC的估计精度,DST工况下,误差在1.51%以内。     

改进AR递推算法在低频振荡模式辨识中的应用

提出采用一种基于自回归模型并加入可变遗忘因子的加权递推最小二乘算法对电力系统类噪声信号进行低频振荡模式辨识,并采用估计AR谱的方法以提取低频振荡的主导模式。New-England 39节点系统的时域仿真测试验证了该算法对低频振荡模式辨识的有效性,并通过与常规加权递推最小二乘算法辨识效果的比较验证了该改进算法对低频振荡模式的辨识具有更好的精确性,其辨识精度及计算速度满足工程要求,适合于低频振荡在线监测。     

永磁同步电机在线参数辨识方法研究

针对在永磁同步电机参数辨识过程中,由于"数据饱和"和噪声影响,导致传统的递推最小二乘法存在参数估计误差大和收敛慢的问题。利用改进的递推最小二乘法提高参数辨识的精度和收敛速度,以满足伺服系统在不同工况下动态性能。首先,结合永磁同步电机数学模型,设计了一种折息递推最小二乘辨识算法,通过在传统的最小二乘法中引入"折息因子"增强了算法的灵活性。然后,通过对存在白噪声干扰的永磁同步电机模型进行辨识算法的动态仿真。最后,利用搭建的实验测试平台进行算法的实验验证。仿真和实验结果表明提出的折息递推最小二乘算法,在参数辨识过程中降低了旧数据对辨识结果的影响,增强了算法对噪声干扰的鲁棒性,提高参数辨识结果的准确性和实时性。     

基于模型参考自适应的PMSM在线辨识研究

结合最小二乘法与模型参考自适应法对永磁同步电机定子电阻、电感与转子磁链在线辨识的优点,提出一种改进的基于模型参考自适应的永磁同步电机参数在线辨识方法,该方法是在模型参考自适应法中加入最小二乘法。仿真结果表明,这种改进的辨识方法能够在不影响精度的前提下明显地提高辨识速度和减少动态过程的振荡。     

表贴式永磁同步电机准稳态多参数在线辨识

针对永磁同步电机参数传统稳态辨识与动态辨识的不足,提出了准稳态辨识模型以及关于表贴式永磁同步电机的准稳态多参数在线辨识方法。该方法以遗忘因子递推最小二乘算法为基础,以误差分析为优化指导,辨识精度较高。该方法可同时辨识表贴式永磁同步电机3个电气参数,辨识速度快,计算量适中,适合工程应用。以DSP和智能功率模块为实验平台基础的实验研究验证了所提出方法的可行性与有效性。     

基于UKF的在线锂离子电池SOC估算研究

锂离子电池的精确荷电状态(SOC)估算是电池管理系统(BMS)的关键技术之一,它依赖于电池模型的准确性。由此,基于二阶等效电路模型,采用一种带有遗忘因子递推最小二乘(FRLS)的在线参数辨识方法,以及在线辨识用于锂电池SOC估算的无迹卡尔曼滤波算法(UKF)来研究精确的SOC电池管理系统。并通过动态应力测试(DST),验证该模型的准确性,以及验证所研究方法在SOC估算上的准确性和稳定性。实验结果表明,与离线的UKF方法相比,基于UKF的在线SOC估算方法具有较高的精度和稳定性。     

基于参数辨识的电动负载模拟器复合控制

针对电动负载模拟器运行过程中系统存在的参数时变问题,同时为了保证力矩精确加载,提出了自适应控制器与前馈补偿控制器相结合的复合控制策略。引入了弹性杆以提高加载精度与系统稳定性;将自调整遗忘因子递推最小二乘法与神经网络相结合进行在线辨识系统时变参数,结合系统性能指标设计了模型参考自适应控制器;采用舵机位置前馈补偿,实现多余力矩的抑制。通过仿真验证了该复合控制策略的可行性和有效性。     

基于自适应PID的异步电机电流控制

在异步电机矢量控制电流环中采用参数自适应PID算法。该算法采用带遗忘因子的递推最小二乘算法对PID参数进行在线估计,能够根据不同情况实时调整PID参数。试验结果表明,该算法鲁棒性强、稳定性好、自适应性强、计算量小,能够满足对电流控制的要求,并且提高了速度的抗干扰能力。     

基于辅助变量的永磁同步直线电机系统辨识研究

针对永磁同步直线电机系统在有色噪声干扰下的辨识问题,提出了一种基于辅助变量的模型参数辨识方法。分析并建立了永磁同步直线电机的数学模型和系统的开环传递函数,引入辅助变量对标准的递推最小二乘法进行改进,对夹杂有色噪声数据的系统模型进行参数辨识。同时,基于固定模型的变回归估计方法（FMVRE）辨识了系统中可能存在的纯延时环节因子。仿真结果表明:在有色噪声影响下,辅助变量递推最小二乘法的辨识精度要高于标准的递推最小二乘法,各参数估计值的误差均在4%以下,并且额外增加的计算量较少。辨识实验的结果也证明了辅助变量递推最小二乘法能够在有色噪声干扰下辨识出较为精确的系统模型。     

基于遗忘因子递推平方根的在线转动惯量辨识

为使伺服系统始终具备优良的动态响应,有必要对系统等效转动惯量进行辨识。含遗忘因子的递推最小二乘惯量辨识方法对存储字长要求高,多次递推计算会降低协方差矩阵的正定性,导致辨识失真甚至发散。仿照FFRLS,同样可以推导出含遗忘因子的递推平方根改进算法,该方法降低了FFRLS对字长的要求,更适合应用于字长有限的嵌入式系统。仿真和实验结果验证了FFRSR辨识方法稳定性较高,辨识效果明显优于FFRLS。     

基于自适应卡尔曼滤波的矿用救生舱动力电池SOC估计

磷酸铁锂动力电池是矿用救生舱的重要组成部分,其电荷状态(SOC)估计的准确性直接影响避难人员的安危。针对电池SOC常用估算方法的不足,提出一种基于自适应卡尔曼滤波的矿用救生舱动力电池SOC估算方法。在电池特性分析的基础上,建立了更符合实际的改进二阶RC等效电池模型和电池的状态空间模型。通过脉冲放电实验和改进的带遗忘因子递推最小二乘算法,对模型参数进行在线辨识,并将自适应卡尔曼滤波算法(AKF)用于此模型,在线估计电池的SOC。实验结果表明:AKF可以实时修正模型误差,实时估计SOC的动态变化,估算精度高,能够满足矿用救生舱电池管理系统的要求。