【摘 要】
：
为了提高锂离子电池SOC(state of charge)和SOH(state of health)的估计精度,采用自适应扩展卡尔曼粒子滤波(adaptive extended Kalman particle filter,AEKPF)算法估算SOC和SOH,该算法通过修正噪声可以解决运用EKF(extended Kalman filter)算法时的噪声误差累积问题,并且AEKF(adaptive extended Kalman filter)算法作为PF(particle filter)算法的建议分布用
【机 构】
：
长安大学 汽车学院,陕西 西安710061;长安大学 汽车学院,陕西 西安710061;中汽研汽车检验中心(广州)有限公司,广东 广州511340
论文部分内容阅读
为了提高锂离子电池SOC(state of charge)和SOH(state of health)的估计精度,采用自适应扩展卡尔曼粒子滤波(adaptive extended Kalman particle filter,AEKPF)算法估算SOC和SOH,该算法通过修正噪声可以解决运用EKF(extended Kalman filter)算法时的噪声误差累积问题,并且AEKF(adaptive extended Kalman filter)算法作为PF(particle filter)算法的建议分布用来实时更新粒子,可以改善单独采用PF算法时的粒子退化问题.为了提高SOC的估计精度,提出考虑电池的劣化特征,联合SOH实现对SOC的修正估计.在Matlab环境下的仿真结果表明:AEKPF算法与AEKF算法相比,可以得到更加准确的SOC和SOH估计值,而且AEKPF算法联合SOH可以有效提高SOC的估计精度,仿真绝对误差不超过±1％.
其他文献
针对某型纯电动汽车,设计双电动机耦合驱动系统,并进行电动机参数匹配,提出了电动机耦合驱动效率最优控制策略.对驱动系统的工作模式进行分析,通过序列二次规划算法计算出电动机最优工作点以及驱动系统效率.基于驱动系统效率最优原则,通过比较每个工作点的4种工作模式下的驱动系统效率,提出多模式切换下双电动机耦合驱动系统的控制策略,重点对模式识别控制策略进行研究.建立联合仿真模型对所提出的效率最优控制策略进行试验验证.结果表明:提出的双电动机耦合驱动系统效率最优控制策略具有良好的控制效果,在整个NEDC(new Eur
为了缩短四足机器人的研发周期,进一步提高其运动稳定性,基于复合摆线轨迹对不同步态周期下四足机器人的稳定性进行了研究.给出了四足机器人结构设计,并建立运动学模型进行运动学分析.采用复合摆线法进行轨迹规划,然后进一步结合运动学模型得到各关节驱动函数,并将其导入到ADAMS模型中设置相关约束进行动力学仿真.将机体翻转角作为主要性能评价指标,通过适当调整步态周期对不同步态周期下的四足机器人稳定性进行测试和分析,并通过物理样机对所提方法进行验证.结果表明,当步态周期为1.3 s时,机体最大翻转角较优化前下降1.01
针对动态配置技术提供灵活方便配置方式的同时有潜在配置错误风险、可能导致系统崩溃、降低软件服务质量的问题,提出了一种基于有限状态机的分布式框架动态配置属性校验方法.该方法利用数据类型间的转换进行数据类型校验,运用有限状态机的状态转换逻辑实现多种数据类型之间的转换,并以Spring Cloud的动态配置为例实现了一个分布式框架配置校验器.为避免不必要的文件读写,改进了Java compiler,使动态编译所得字节码的加载在内存中进行.基于Spring Cloud Config框架对配置校验功能进行测试,设计了