应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscent...应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。展开更多
为实现无刷直流电机(brushless DC motor,BLDCM)无位置传感器控制,该文提出一种改进型的线反电势滑模观测器,为减少系统的抖振,该观测器引入了一种光滑的双曲正切函数,使得控制系统不必外加低通滤波器和相位补偿模块就可以获得平滑的线...为实现无刷直流电机(brushless DC motor,BLDCM)无位置传感器控制,该文提出一种改进型的线反电势滑模观测器,为减少系统的抖振,该观测器引入了一种光滑的双曲正切函数,使得控制系统不必外加低通滤波器和相位补偿模块就可以获得平滑的线反电动势估计值,进而避免了反电势估计值的相位滞后。文中将估计得到的线反电势信号对应为3个虚拟霍尔信号,直接获得6个离散的换相信号,从而无需固定相移电路和相移角的计算。仿真和实验表明,该文所提出的方法能够准确估计BLDCM的线反电动势,实现了BLDCM无位置传感器控制。展开更多
文摘应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。
文摘为实现无刷直流电机(brushless DC motor,BLDCM)无位置传感器控制,该文提出一种改进型的线反电势滑模观测器,为减少系统的抖振,该观测器引入了一种光滑的双曲正切函数,使得控制系统不必外加低通滤波器和相位补偿模块就可以获得平滑的线反电动势估计值,进而避免了反电势估计值的相位滞后。文中将估计得到的线反电势信号对应为3个虚拟霍尔信号,直接获得6个离散的换相信号,从而无需固定相移电路和相移角的计算。仿真和实验表明,该文所提出的方法能够准确估计BLDCM的线反电动势,实现了BLDCM无位置传感器控制。
