✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
1. 概述
参数辨识是控制系统设计和分析的重要组成部分。它涉及到根据观测数据来估计系统参数的过程。最小二乘法(LS)是一种常用的参数辨识方法,它通过最小化误差平方和来估计参数。然而,传统的LS方法存在一些局限性,例如对噪声敏感、不能处理非平稳系统等。
为了克服这些局限性,本文提出了一种基于遗忘因子的最小二乘法结合卡尔曼滤波(FFRLS_EKF)的参数辨识方法。FFRLS_EKF方法结合了FFRLS和EKF的优点,具有鲁棒性和自适应性。
2. FFRLS_EKF算法
FFRLS_EKF算法的基本思想是将FFRLS和EKF结合起来,利用FFRLS来估计系统参数,利用EKF来更新状态估计。算法步骤如下:
📣 部分代码
function [Vt]=ModelTest(I,Ut,uoc,N,R0,R1,R2,C1,C2)
%% 二阶RC离散状态方程求解端电压
Up=[0;0]; %U1、U2初始状态值
Vt = zeros(1,N);
Vt(1) = Ut(1);
T=1; %采样时间
for t=2:N
A=[exp(-T/R1(t)/C1(t)) 0 ;...
0 exp(-T/R2(t)/C2(t))];
B=[ R1(t) * (1-exp(-T/R1(t)/C1(t)));...
R2(t) * (1-exp(-T/R2(t)/C2(t)))];
C=[-1 -1];
D=-R0(t);
Up(:,t)=A*Up(:,t-1)+B*I(t-1); %状态值
Vt(t)=uoc(t)+C*Up(:,t)+D*I(t);%估计得到的端电压
end
⛳️ 运行结果
3. 仿真结果
本文提出了一种基于遗忘因子的最小二乘法结合卡尔曼滤波(FFRLS_EKF)的参数辨识方法。FFRLS_EKF方法结合了FFRLS和EKF的优点,具有鲁棒性和自适应性。仿真结果表明,FFRLS_EKF算法能够准确地估计系统的参数,并且收敛速度快。
🔗 参考文献
[1] 栗欢欢,孙化阳,陈彪,等.基于GLD电池模型和FFRLS-EKF算法的SOC估测[J]. 2021.DOI:10.3969/j.issn.1002-087X.2021.11.015.
[2] 徐玮浓.串联锂电池的参数辨识及SOC估计[J].[2024-02-07].
[3] 华迪,赵阳,安润泽,等.基于改进DEKF锂离子电池容量与SOC协估计[J].电力电子技术, 2023, 57(10):80-84.
🎈 部分理论引用网络文献,若有侵权联系博主删除
🎁 关注我领取海量matlab电子书和数学建模资料
👇 私信完整代码和数据获取及论文数模仿真定制
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类