电池状态的准确在线估计是锂离子电池储能系统安全、可靠和高效运行的重要支撑,精确电池模型是实现上述估计的前提。然而,锂电池复杂的电化学反应过程使电池模型参数可能随荷电状态(State of Charge,SOC)、温度及运行工况改变而变化,传...电池状态的准确在线估计是锂离子电池储能系统安全、可靠和高效运行的重要支撑,精确电池模型是实现上述估计的前提。然而,锂电池复杂的电化学反应过程使电池模型参数可能随荷电状态(State of Charge,SOC)、温度及运行工况改变而变化,传统的离线识别方法难以保证模型精度和适应性。提出一种基于递推最小二乘法(Recursive Least Squares,RLS)的在线参数识别方法,该方法能够自动适应电池SOC、温度及运行条件变化,拟合计算出最佳模型参数,进而保证模型精度。研究不同电池类型下等值模型结构对建模精度的影响,并通过混合脉冲功率性能测试试验,验证了方法有效性。算例分析结果表明:基于RLS的在线参数识别方法能够实时修正电池模型参数,提高电池模型建模精度;对于磷酸铁锂电池,采用二阶RC模型可比一阶RC模型获得更高的建模精度。展开更多
针对短波信道中信号传输产生的码间串扰问题,文中结合人工神经网络(Artificial Neural Network,ANN)与递归最小二乘法(Recursive Least Square,RLS)算法,实现改进的RLS-ANN短波信道均衡算法。通过有监督与无监督分段均衡处理,实时校准...针对短波信道中信号传输产生的码间串扰问题,文中结合人工神经网络(Artificial Neural Network,ANN)与递归最小二乘法(Recursive Least Square,RLS)算法,实现改进的RLS-ANN短波信道均衡算法。通过有监督与无监督分段均衡处理,实时校准经由短波信道传播之后产生的信号幅度和相位失真。对实测的高频数据链(High Frequency Data Link,HFDL)短波信号进行均衡处理,结果表明RLS-ANN算法相比传统的最小均方算法(Least Mean Square,LMS)和RLS算法在星座图收敛速度、平均误差及误码率等方面效果更优,该算法通过降低误码率,可有效改善信号经由短波信道传输的通信质量。展开更多
文摘电池状态的准确在线估计是锂离子电池储能系统安全、可靠和高效运行的重要支撑,精确电池模型是实现上述估计的前提。然而,锂电池复杂的电化学反应过程使电池模型参数可能随荷电状态(State of Charge,SOC)、温度及运行工况改变而变化,传统的离线识别方法难以保证模型精度和适应性。提出一种基于递推最小二乘法(Recursive Least Squares,RLS)的在线参数识别方法,该方法能够自动适应电池SOC、温度及运行条件变化,拟合计算出最佳模型参数,进而保证模型精度。研究不同电池类型下等值模型结构对建模精度的影响,并通过混合脉冲功率性能测试试验,验证了方法有效性。算例分析结果表明:基于RLS的在线参数识别方法能够实时修正电池模型参数,提高电池模型建模精度;对于磷酸铁锂电池,采用二阶RC模型可比一阶RC模型获得更高的建模精度。
文摘针对短波信道中信号传输产生的码间串扰问题,文中结合人工神经网络(Artificial Neural Network,ANN)与递归最小二乘法(Recursive Least Square,RLS)算法,实现改进的RLS-ANN短波信道均衡算法。通过有监督与无监督分段均衡处理,实时校准经由短波信道传播之后产生的信号幅度和相位失真。对实测的高频数据链(High Frequency Data Link,HFDL)短波信号进行均衡处理,结果表明RLS-ANN算法相比传统的最小均方算法(Least Mean Square,LMS)和RLS算法在星座图收敛速度、平均误差及误码率等方面效果更优,该算法通过降低误码率,可有效改善信号经由短波信道传输的通信质量。
