版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
卡尔曼滤波法(Kalman滤波)用于SOC估算卡尔曼滤波法(Kalman滤波)1卡尔曼滤波的由来卡尔曼滤波的由来卡尔曼,全名RudolfEmilKalman,匈牙利数学家,1930年出生于匈牙利首都布达佩斯。1953,1954年于麻省理工学院分别获得电机工程学士及硕士学位。1957年于哥伦比亚大学获得博士学位。我们在现代控制理论中要学习的卡尔曼滤波器,正是源于他的博士论文和1960年发表的论文《ANewApproachtoLinearFilteringandPredictionProblems》(线性滤波与预测问题的新方法)。卡尔曼滤波的由来卡尔曼滤波的由来卡尔曼,全名RudolfE2Kalman滤波主要应用(1)导航制导、目标定位和跟踪领域。(2)通信与信号处理、数字图像处理、语音信号处理。(3)天气预报、地震预报。(4)地质勘探、矿物开采。(5)故障诊断、检测。(6)证券股票市场预测。Kalman滤波主要应用(1)导航制导、目标定位和跟踪领域。3卡尔曼滤波法:SOC在电流积分法基础上进行测量值(电流积分法)和估算值(初始值)利用前一时刻的估计值和现时刻的观测值来更新对状态变量的估计,求出现时刻的估计值。计算Covariance(协方差)Kalman增益:略Matlabmex语言DSPSystemToolbox模块卡尔曼滤波法:SOC在电流积分法基础上进行测量值(电流积分法4对SOC初始值0.7不敏感对SOC初始值0.7不敏感5SOC初始值:0.95SOC初始值:0.956卡尔曼滤波法优点:1.克服电流积分法对初始值依赖的严重缺点2.能够消除采样噪声缺点:模型参数会随时间变化,需修正计算量大,一个采样周期难以完成计算计算机字长有限造成舍入、截断误差积累卡尔曼滤波法优点:2.能够消除采样噪声缺点:模型参数会随7例子:房间温度某一时刻的温度:估算:估计偏差–高斯白噪声用温度计测量:测量偏差–高斯白噪声==》用上面2个值估算下一时刻的温度例子:房间温度某一时刻的温度:8KalmanFilter的实质是一种数据处理算法利用测量数据来滤波数据滤波是去除噪声还原真实数据的一种数据处理技术Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中,估计动态系统的状态“没有时间把一件事情做好,却有时间把一件事情反复做”KalmanFilter的实质是一种数据处理算法9反馈控制法估计状态反馈控制法估计状态10符号惯例X:状态变量U:输入量(如电流)Z:测量值H:Z=H*X(H–系数)P:协方差K(Kg):Kalman增益Q、R:估算与测量噪声的方差符号惯例X:状态变量11线性Kalman滤波:一般理论状态方程 X(k)=A*X(k-1)+B*U(k)+W(k) Cov(W(k))=Q测量方程 Z(k)=H*X(k)+V(k) Cov(V(k))=RX:状态变量U:输入量Z:测量值A、B、H系数Q、R:噪声线性Kalman滤波:一般理论状态方程X:状态变量12请记住从第k-1步到第k步估算值:下标
k,k-1
最优值:下标
k,k或者k-1,k-1
请记住从第k-1步到第k步13Kalman方程(1-3)状态预测
k|k-1表示“预测”
X(k|k-1)=A*X(k-1|k-1)+B*U(k)协方差预测
P(k|k-1)=A*P(k-1|k-1)*A’+Q状态最优
k|k(k-1|k-1)
表示“最优”
X(k|k)=X(k|k-1)+Kg(k)*(Z(k)–H*X(k|k-1))Kalman增益协方差更新X:状态变量U:输入量P:协方差Kg:增益Z:测量值A、B、H系数Q:噪声Kalman方程(1-3)状态预测 k|k-1表示“预测14Kalman方程(4-5)状态预测 X(k|k-1)=A*X(k-1|k-1)+B*U(k)协方差预测 P(k|k-1)=A*P(k-1|k-1)*A’+Q状态最优X(k|k)=X(k|k-1)+Kg(k)*(Z(k)–H*X(k|k-1))Kalman增益
Kg(k)=P(k|k-1)*H’/(H*P(k|k-1)*H’+R)协方差更新
P(k|k)=(I–Kg(k)*H)*P(k|k-1)X:状态变量U:输入量P:协方差Kg:增益Z:测量值A、B、H系数Q、R:噪声Kalman方程(4-5)状态预测 X(k|k-1)=15卡尔曼滤波法(Kalman滤波)用于SOC估算16Kalman方程:1维状态预测 Xk,k-1=a*Xk-1+b*Uk协方差预测 Pk,k-1=a2*Pk-1+Q状态最优 Xk=Xk,k-1+Kgk*(Zk–h*Xk,k-1)Kalman增益 Kgk=Pk,k-1*h/(h2*Pk,k-1+R)协方差更新 Pk=(I–Kgk*h)*Pk,k-1X:状态变量U:输入量P:协方差Kg:增益Z:测量值A、b、h系数Q、R:噪声Kalman方程:1维状态预测 Xk,k-1=a*Xk17X:估算温度,Z:测量温度(a=1,Uk=0,h=1)状态预测 Xk,k-1=a*Xk-1+b*Uk=》Xk,k-1=Xk-1协方差预测Pk,k-1=a2*Pk-1+Q=》Pk,k-1=Pk-1+Q状态最优 Xk=Xk,k-1+Kgk*(Zk–h*Xk,k-1) ==》 Xk=Xk,k-1+Kgk*(Zk–Xk,k-1)Kalman增益 Kgk=Pk,k-1*h/(h2*Pk,k-1+R) ==》 Kgk=Pk,k-1/(Pk,k-1+R)协方差更新 Pk=(I–Kgk*h)*Pk,k-1 ==》 Pk=(I–Kgk)*Pk,k-1例子:房间温度X:状态变量U:输入量P:协方差Kg:增益Z:测量值Q、R:噪声X:估算温度,Z:测量温度(a=1,Uk=0,18K,k-1表示“预测”,k或者k-1表示“最优”状态预测
Xk,k-1=Xk-1协方差预测
Pk,k-1=Pk-1+Q状态最优
Xk=Xk,k-1+Kgk*(Zk–Xk,k-1)Kalman增益
Kgk=Pk,k-1/(Pk,k-1+R)协方差更新
Pk=(I–Kgk)*Pk,k-1例子:房间温度X:状态变量P:协方差Kg:增益Z:测量值Q、R:噪声K,k-1表示“预测”,k或者k-1表示“最优”状态预测19递归推演温度方差初始值25测量值24.9R=0.25估算值25.1,Q=0.01,P(k-1)=0.1^2P(k,k-1)=P(k-1)+Q=0.02增益Kg(k-1)=P(k,k-1)/
(P(k,k-1)+R)=0.0741最优值24.9+Kg(k-1)*
(25.1–24.9)=24.915P(k)=(1–Kg(k-1))*P(k,k-1)=0.0186K–1时刻温度方差估算值24.915测量值25.5(更新值不需测量值)先计算P(k+1,k)及Kg(k)更新值P(k+1,k)=P(k)+QKg(k)=P(k+1,k)/
(P(k+1,k)+R)最优值25.5+Kg(k)*(24.915–25.5)K时刻递归推演温度方差初始值25测量值24.9R=0.25估算20卡尔曼滤波法(Kalman滤波)用于SOC估算21Kalman的初始估计误差:收敛快Kalman的初始估计误差:收敛快22清华专利介绍清华专利介绍23状态方程与观测方程状态
SOCk+1
=SOCk+(∆t
/
Q0)Ik
观测
Ut=Uoc-UD-iLRi状态方程与观测方程状态24状态方程状态
SOCk+1
=SOCk+(∆t
/
Q0)Ik
X==》SOC
Xk+1= Xk+Ik*Dt/C (Ik<0) Xk+Ik*h*Dt/C (Ik>0)状态方程状态25电池等效电路Nernst模型电池等效电路Nernst模型26电池观测方程Y(k)=K0–RIk–K1/xk–K2xk+K3ln(xk)+K4ln(1–xk)+VkY(k)是xk的非线性方程电池观测方程Y(k)=K0–RIk–K1/x27Nernst模型系数K0=534.0017K1=2.6273K2=-131.7037K3=95.4526K4=-6.2601确定:放电实验+最小二乘法Nernst模型系数K0=534.001728对非线性的观测方程做线性化Y(k)=f(Ik,xk)+Vkf(Ik,xk)对xk在某一时刻的xk0做泰勒展开其一次项系数为扩展卡尔曼滤波(EKF)对非线性的观测方程做线性化扩展卡尔曼滤波(EKF)29Taylor展开f(x)=f(x0)+(x-x0)*f’(x0)+(x-x0)2*f’’(x0)+……略去高阶小量(x-x0)2,得到 f(x)=F*X+GTaylor展开f(x)=f(x0)+(x-x0)30卡尔曼滤波方程Ck=K1/xk2–K2+K3/xk–K4/(1–xk)
取代了线性Kalman方程中的H卡尔曼增益Kk=Pk*Ck/(Ck2*Pk+Q)协方差Pk=(1–Kk
*Ck)*Pk-1递推公式xk=xk-1+a*Kk*(yk-f(Ik,xk))
滤波放大倍数a
=5~20卡尔曼滤波方程Ck=K1/xk2–K2+K331卡尔曼滤波法(Kalman滤波)用于SOC估算32卡尔曼滤
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2024年喹吖啶酮类项目合作计划书
- 2024年喹诺酮类药项目发展计划
- 2024年两性离子聚合物泥浆处理剂项目合作计划书
- 如何写出一份教案
- 高考生物二轮复习 专题强化练(十九)基因工程与细胞工程(含解析)-人教版高三生物试题
- 小班亲子游戏活动方案策划6篇
- 高考生物二轮复习 第一部分 专题三 细胞的生命历程 命题源6 细胞的分化、衰老、凋亡和癌变限时训练-人教版高三生物试题
- 高考物理三轮冲刺 题型练辑 计算题规范练(六)(含解析)-人教版高三全册物理试题
- 高考物理二轮复习“22”定时训练4 (全国1卷)逐题仿真练(含解析)-人教版高三全册物理试题
- 销售人员的培训心得模板8篇
- 闽菜 介绍课件完整版
- 外科学试题库及答案(共1000题)
- 新型冠状病毒感染诊疗方案第十版
- 人教版七年级下册 Unit 6 I'm watching TV Section B 3a-self check 教案(表格式)
- 语言、文化与交际智慧树知到答案章节测试2023年湖南大学
- 江苏省高等教育自学考试毕业生思想品德鉴定表
- 2022年泰州市泰兴市城投集团招聘试题及答案
- 水滑石制备方法研究进展
- 2023版小学音乐课程标准
- 2023年团章团史知识题库
- 花篮拉杆悬挑架培训课件
评论
0/150
提交评论