导读:本文包含了扩展卡尔曼估计论文开题报告文献综述及选题提纲参考文献，主要关键词:荷电状态,戴维南模型,扩展卡尔曼滤波
扩展卡尔曼估计论文文献综述
张佳倩,刘志虎[1]（2019）在《基于模型参数辨识和扩展卡尔曼滤波的锂电池荷电状态估计》一文中研究指出锂电池的荷电状态(SOC)估计作为电池管理系统的关键技术之一,直接影响到整个电池管理系统(BMS)的功能和效率。针对一般的简单多项式拟合SOC-OCV曲线提出了改进,采用了分段拟合的方式,能够降低拟合公式的阶数,提高拟合精度。结合戴维南(Thevenin)等效电路,以及充放电实验和混合脉冲功率特性(HPPC)实验进行参数辨识,得到状态方程和观测方程,采用扩展卡尔曼滤波算法(EKF)对锂电池的不同工况进行SOC估计。仿真结果表明,分段拟合SOC-OCV曲线能有效提高SOC估计精度,减少计算量。(本文来源于《工业控制计算机》期刊2019年09期）
周韦润,姜文刚[2]（2019）在《基于遗传算法优化扩展卡尔曼滤波的锂电池SOC估计》一文中研究指出准确估算电池荷电状态是电动汽车安全、可靠运行的重要保障。传统的卡尔曼滤波估计算法一方面难以克服电池模型精确性和实用性的矛盾,另一方面要求系统噪声矩阵必须服从高斯分布。为了解决上述问题,首先建立基于BIC准则的变阶RC等效电路模型,克服模型精确性和实用性的矛盾;接着采用遗传算法对EKF中的系统噪声矩阵和测量矩阵的协方差进行在线优化,以实现在模型误差最小时对SOC进行在线估计;最后搭建测试平台,验证该算法能够克服由于模型误差和测量噪声的不确定对SOC估计的影响,误差在1. 35%以内,并且具有较高的收敛性和鲁棒性。(本文来源于《重庆理工大学学报(自然科学)》期刊2019年09期）
丁刚[3]（2019）在《基于自适应扩展卡尔曼滤波的导弹制导信息估计》一文中研究指出在机动目标的被动跟踪研究领域,导引头仅能量测到视线角速度或视线角信息,利用仅有的角度测量信息对制导信息进行估计,是导弹实现先进导引律精确命中机动目标的基础。本文针对机动目标的被动跟踪问题,选取"当前"统计模型作为机动目标模型,建立系统状态方程和量测方程,提出一种适应于大机动目标的自适应扩展卡尔曼滤波算法对制导信息进行估计。通过仿真实验可以看出,本文所提出的算法具有较好的滤波效果,对制导信息的估计误差满足系统精度要求。(本文来源于《信息通信》期刊2019年09期）
蒋帆,徐海祥,冯辉,余文瞾,李文娟[4]（2019）在《基于模型预测扩展卡尔曼滤波的动力定位状态估计》一文中研究指出针对传统扩展卡尔曼滤波由于动力定位系统过程噪声不能自适应更新,导致滤波精度下降的问题,提出一种模型预测扩展卡尔曼滤波算法。该算法通过比较一段时间内的量测值和预测值,估计系统噪声参数,从而实时修正系统过程噪声方差。仿真结果表明,在系统的过程噪声未知的情况下,模型预测扩展卡尔曼滤波的滤波性能明显优于传统扩展卡尔曼滤波。(本文来源于《船舶工程》期刊2019年07期）
裴超,王大磊,冉孟兵,王曼,代昀杨[5]（2019）在《基于自适应扩展卡尔曼滤波法的储能电池荷电状态估计研究》一文中研究指出荷电状态估计是储能电池管理的一项重要指标。目前工程上广泛使用的安时积分法虽然简单,但是存在诸多局限性。为了提高电量估算的精度和速度,同时考虑实际应用需求,针对储能电池开展了基于自适应扩展卡尔曼滤波(AEKF)法的荷电状态估计研究,以二阶Thevenin等效电路模型为基础,列写状态空间表达式,建立滤波器模型并根据实际情况对算法进行适当改进。仿真实验通过对比扩展卡尔曼滤波(EKF)法和AEKF方法,证实了AEKF方法的优越性。(本文来源于《智慧电力》期刊2019年05期）
蒋虎,李天姣,任波[6]（2019）在《基于扩展卡尔曼滤波器的卫星平面轨道估计》一文中研究指出鉴于卫星平面轨道运动观测情况与真实的卫星平面轨道运动存在偏差,针对卫星平面轨道这一非线性系统,采用扩展卡尔曼滤波器(EKF)进行估计.扩展卡尔曼滤波器是一种围绕滤波值将非线性系统线性化的滤波方法,利用扩展卡尔曼滤波器能够准确描述卫星平面轨道运动的特性.仿真结果表明,经扩展卡尔曼滤波处理,卫星平面轨道的观测值更接近其真实值.(本文来源于《成组技术与生产现代化》期刊2019年01期）
焦典,王万林,胡继伟[7]（2019）在《一种基于扩展卡尔曼滤波和最小均方准则的无控制点InSAR基线估计方法》一文中研究指出基线误差是影响干涉合成孔径雷达(InSAR)测量高精度的主要误差源之一。因此,在进行数字高程图(DEM)高程反演的过程中,需要进行高精度的基线估计来提高DEM数据的精度。文章详细推导了InSAR系统的各项误差与测高精度的关系,得到了误差传播公式;然后提出了一种在扩展Kalman滤波的基础上,使用LMS最小均方误差准则的无控制点基线估计方法。该方法解决了在地面控制点获取困难的条件下,飞行平台与地面之间的相对高度未知的问题。最后,通过仿真实验验证了该方法的有效性:在相位误差、斜距误差、基线长度误差和倾角误差共同作用下,基线定标精度可达到0. 1mm,满足0. 5m相对高程精度对于基线估计的要求。(本文来源于《空间电子技术》期刊2019年01期）
华显,付子义,郭向伟[8]（2018）在《基于双扩展卡尔曼滤波的电池荷电状态估计》一文中研究指出以磷酸铁锂动力电池为研究对象,以精确估算电动汽车动力锂电池组在实际运行工况中的SOC为目的,基于Thevenin等效电路模型和扩展卡尔曼滤波算法,结合脉冲功率特性实验(HPPC Test)对模型参数进行辨识,采用双扩展卡尔曼滤波对SOC和模型参数进行在线估算,并分析算法在不同温度下的适应性和不同SOC初始值条件下的收敛特性。仿真结果表明,在不同的工况下,相比于单扩展卡尔曼滤波该算法具有更高的精度、更好的环境适应度和对初始误差的收敛性。(本文来源于《测控技术》期刊2018年11期）
张丽,王顺利,陈蕾,苏杰,谢滟馨[9]（2018）在《基于扩展卡尔曼滤波的小型无人机锂电池组SOC估计》一文中研究指出在锂电池组提供动力的小型无人机中,对锂电池组进行准确、可靠的荷电状态估计(state of charge,SOC)尤为重要。针对传统SOC估算方法存在计算量大、估计不准确等缺点,通过对锂电池组建立Thevenin模型,提出了一种基于扩展卡尔曼滤波(Estimationkalmanfilter,EKF)算法的小型无人机锂电池组SOC实时估算方法。通过采用串联7节4Ah钴酸锂电池单体的锂电池组进行实验验证。实验表明该方法对小型无人机锂电池SOC估计误差低于4%,在误差允许范围内,基本满足了对小型无人机锂电池组SOC在线估计的需求。(本文来源于《制造业自动化》期刊2018年10期）
张志勇,张淑芝,黄彩霞,张刘铸,李博浩[10]（2019）在《基于自适应扩展卡尔曼滤波的分布式驱动电动汽车状态估计》一文中研究指出纵向车速和质心侧偏角是车辆主动安全控制系统的关键参考状态信号,通常采用卡尔曼滤波算法估计。当系统噪声和测量噪声的统计特性存在不确定性时,不仅估计精度会降低,甚至导致估计器发散。结合分布式驱动电动汽车4个车轮转矩和转速可直接测量的特点,提出一种车辆状态自适应扩展卡尔曼滤波估计方法。基于量纲一化新息平方实现车辆状态估计有效性检测,提出滑动窗口长度自适应调整规则;根据新息统计特性提出卡尔曼滤波增益和状态估计误差协方差矩阵的自适应调整策略,及基于车辆状态估计稳态误差和动态响应速度的自适应参数确定原则。数值仿真和试验证明,所提出的车辆状态估计方法,不仅估计精度较高,而且实时性和易用性较强。(本文来源于《机械工程学报》期刊2019年06期）
扩展卡尔曼估计论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
准确估算电池荷电状态是电动汽车安全、可靠运行的重要保障。传统的卡尔曼滤波估计算法一方面难以克服电池模型精确性和实用性的矛盾,另一方面要求系统噪声矩阵必须服从高斯分布。为了解决上述问题,首先建立基于BIC准则的变阶RC等效电路模型,克服模型精确性和实用性的矛盾;接着采用遗传算法对EKF中的系统噪声矩阵和测量矩阵的协方差进行在线优化,以实现在模型误差最小时对SOC进行在线估计;最后搭建测试平台,验证该算法能够克服由于模型误差和测量噪声的不确定对SOC估计的影响,误差在1. 35%以内,并且具有较高的收敛性和鲁棒性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
扩展卡尔曼估计论文参考文献
[1].张佳倩,刘志虎.基于模型参数辨识和扩展卡尔曼滤波的锂电池荷电状态估计[J].工业控制计算机.2019
[2].周韦润,姜文刚.基于遗传算法优化扩展卡尔曼滤波的锂电池SOC估计[J].重庆理工大学学报(自然科学).2019
[3].丁刚.基于自适应扩展卡尔曼滤波的导弹制导信息估计[J].信息通信.2019
[4].蒋帆,徐海祥,冯辉,余文瞾,李文娟.基于模型预测扩展卡尔曼滤波的动力定位状态估计[J].船舶工程.2019
[5].裴超,王大磊,冉孟兵,王曼,代昀杨.基于自适应扩展卡尔曼滤波法的储能电池荷电状态估计研究[J].智慧电力.2019
[6].蒋虎,李天姣,任波.基于扩展卡尔曼滤波器的卫星平面轨道估计[J].成组技术与生产现代化.2019
[7].焦典,王万林,胡继伟.一种基于扩展卡尔曼滤波和最小均方准则的无控制点InSAR基线估计方法[J].空间电子技术.2019
[8].华显,付子义,郭向伟.基于双扩展卡尔曼滤波的电池荷电状态估计[J].测控技术.2018
[9].张丽,王顺利,陈蕾,苏杰,谢滟馨.基于扩展卡尔曼滤波的小型无人机锂电池组SOC估计[J].制造业自动化.2018
[10].张志勇,张淑芝,黄彩霞,张刘铸,李博浩.基于自适应扩展卡尔曼滤波的分布式驱动电动汽车状态估计[J].机械工程学报.2019