删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

锂离子电池SOC及容量的多尺度联合估计*

本站小编 Free考研考试/2021-12-25

在大力提倡环境保护和能源可持续发展的今天,用电动汽车取代依赖燃油为动力的汽车具有重要意义。锂离子电池具有大容量、长寿命等优势,所以用其取代铅酸电池,成为电动汽车的首选,其中三元锂离子电池所占比例越来越高。目前在各类型的电动汽车上,电池系统都是由成百上千节电池单体组成,庞大的电池串并联数量给电池系统带来了安全性、不一致、状态估算难等一系列问题。所以,锂离子电池需要安全可靠的电池管理以避免电池性能恶化,防止出现损坏或严重爆炸的情况[1]
锂离子电池的荷电状态(State of Charge, SOC)表示当前电池的剩余电量,准确的SOC估计是预防电池过充过放及均衡处理的基础,是电池管理系统的核心。传统方法包括安时积分法、开路电压法等[2]。安时积分法是一种开环估计方法,将电池工作时的电流对时间积分,以得到电池容量的变化,这种方法简单,随着时间的延长,累积误差增大,精度下降[3]。开路电压法是通过获取电池的开路电压OCV与SOC特定曲线,通过查表实现,这种方法需要电池静置足够长时间后才能保证其精度,不适合在线估计电池SOC[4-6]。基于数据驱动的人工智能算法,如神经网络、支持向量机等需要大量的实验数据进行训练,且对计算的要求高[7-8]。基于模型的方法主要分为电化学模型法和等效电路模型法。电化学模型包含的方程及参数较多,对电池在复杂工况下的模拟精度低。等效电路模型是通过电子元器件的搭配来模拟电池的外部工作特性,广泛应用在电池SOC估计中。2004年,Plett[9]最早开始基于扩展卡尔曼滤波(EKF)进行电池SOC估计的研究。之后,又有多位****在无迹卡尔曼滤波(UKF)、中心差分卡尔曼滤波(CDEF)等开展相应研究[10-12]。除了卡尔曼滤波方法,粒子滤波等[13]也应用在了SOC估计上。粒子滤波等算法会稍许提高算法精度,但是计算量很大,不适合在线应用。
随着电池的老化,电池容量等参数的变化也会对电池状态估计造成影响。所以,在估计电池SOC的同时对容量进行估计也至关重要。开路电压法是通过测量电池充放电起始开路电压,利用OCV-SOC插值得到SOC变化,结合累积容量估计电池的容量。基于模型的方法是基于等效电路模型及卡尔曼滤波算法等估计的SOC,结合累积充放电量实现容量估计。文献[14]采用一阶RC模型,通过测量端电压估计开路电压,利用不同老化阶段同一SOC下的开路电压差来表征老化状态。Plett[15]通过双扩展卡尔曼滤波(DEKF),一个模型估计电池SOC,另一个模型估计电池容量等参数,实现了SOC和容量的联合估计,但是这种方法需要SOC的精确估计,容量估计精度对SOC估计精度比较敏感。
针对上述研究现状,本文提出一种适用于三元锂离子电池SOC及容量的多尺度联合估计方法。在一阶等效电路模型建立了状态空间方程,在不同温度下进行了参数辨识,应用DEKF算法建立了电池状态多尺度联合估计模型,在微观时间尺度上对电池的SOC及极化电压进行估计,在宏观时间尺度上实现了电池的容量估计。在动态工况下进行了实验验证,证实了本文方法的准确性及SOC和容量的估计精度。
1 等效电路模型及参数辨识 戴维宁模型包含一个欧姆内阻和一对RC环节,如图 1所示。其中,欧姆内阻Ro对应电池端电压的突变,极化电阻Rp和电容Cp反映了电池的极化特性。戴维宁模型弥补了线性模型无法描述电池内部极化现象的缺陷,也避免了高阶RC模型参数标定复杂的问题,因此被广泛应用于电池状态估计中[16-17]。在等效电路模型中,可以得到电池端电压Ut和模型参数之间的表达式:
(1)

图 1 戴维宁模型 Fig. 1 Thevenin model
图选项




式中:Up为RC环节两端的电压;It为电池输出电流,放电为正,充电为负。
对于等效电路模型中的参数,需要采用合适的参数辨识方法。本文采用基于实验数据的最小二乘函数拟合方法。其中电池的开路电压Uoc直接采用电池静置的方式获取。为了获取RoRpCp三个参数,对电池进行额定倍率放电,在不同SOC时进行静置,通过获取电池静置时间段的电压响应来拟合模型参数。本文采用国轩提供的镍钴锰三元锂离子软包电池为测试对象,具体参数如表 1所示。
表 1 国轩三元锂离子电池主要技术指标 Table 1 Main technical indicators of Guoxuanternary lithium-ion battery
参数 数值
1C设计容量/Ah 57
放电截止电压/V 3.0
充电截止电压/V 4.2
放电温度范围/℃ -30~50
充电温度范围/℃ 0~50
最大持续充电倍率 2C
最大持续放电倍率 5C
额定电压/V 3.6
10s最大充电倍率 7.5C
10s最大放电倍率 10C


表选项






对于欧姆内阻,可以通过电池静置初期电压的突变来表示。在戴维宁模型中,式(2)为电池在静置期间电池端电压的表达式。其中,Uoc可以根据OCV-SOC曲线查表获得,T0为电池在上一个放电工况下的放电时间,τ为RC环节的时间常数。拟合统一采用电池静置前500s的数据,在SOC为0.7时,端电压静置恢复曲线拟合值及实验值如图 2所示。
(2)

图 2 戴维宁模型端电压拟合 Fig. 2 Terminal voltage fitting of Thevenin model
图选项




在不同温度下,电池的外在特性表现也不相同,电池模型的参数受到温度的影响,所以为了使电池适应不同环境温度下的工作环境,在不同温度下对电池模型参数进行辨识也至关重要[18]。多次重复上述参数辨识过程,得到电池在0、15、25、45℃下的模型参数与SOC的变化曲线,如图 3所示。
图 3 不同温度下的电池特性曲线 Fig. 3 Battery characteristics at different temperatures
图选项




2 EKF算法原理 EKF算法是在卡尔曼滤波的基础上,将非线性模型进行线性化处理,再进行递推计算的一种方法[19-20]。某一非线性离散系统可由以下方程表示。
状态方程:
(3a)

观测方程:
(3b)

式中:xk为系统的状态向量;yk为系统的观测向量;随机信号ωkvk分别为系统噪声和观测噪声,2个噪声为互不影响的高斯白噪声;uk为系统输入;f(xk, uk)和g(xk, uk)分别为非线性状态转换函数和量测函数。
在每一时刻,对f(xk, uk)和g(xk, uk)通过一阶泰勒展开进行线性化,有
(4)

式中:xk的估计值。
定义,将式(4)代入式(3a)和式(3b),得到系统线性化后状态方程和观测方程为
(5)

非线性系统的EKF算法递推公式如式(6)~式(11)所示,其中,为被估计状态的预测值,为被估计状态的滤波值,Kk为卡尔曼滤波器增益矩阵,Pk|k为滤波误差协方差阵,Pk|k-1为预测误差协方差阵,Qk-1为系统噪声方差,Rk为观测噪声方差。
滤波方程初始条件:
(6)

预测更新:
(7)

协方差预估:
(8)

卡尔曼增益矩阵:
(9)

状态更新:
(10)

误差协方差更新:
(11)

3 多尺度联合估计 3.1 基于DEKF的联合估计方案 在联合估计中,采用DEKF算法,一个卡尔曼滤波器用来估计电池的SOC,另一个卡尔曼滤波器用来估计电池的容量。假设电流在一个采样周期内保持恒定,根据图 1所示的戴维宁模型及式(1),可以将系统离散化,得到极化电压的表达式为
(12)

式中:Δt为系统采样时间。
SOC的离散化方程由安时积分法获取,公式如下:
(13)

式中:zkk时刻的SOC值;Cn为电池当前温度下的额定容量。
在估计SOC的卡尔曼滤波器中,将电池的极化电压Up和SOC值作为系统状态值,观测方程采用式(1)中的端电压表达式,所以系统的状态方程和观测方程为
(14)

由于容量具有短时不变的特性,所以估计容量系统的状态方程和观测方程为
(15)

式中:Ck为EKF算法中的系统状态值,表示k时刻的电池容量;zk为估计出的SOC值,由估计SOC的EKF算法求得;dk为系统的观测值,在该系统中,观测值期望为0;η为电池的充放电效率。
基于DEKF算法的SOC和容量的联合估计中,x为估计SOC的系统状态值,即x=[Up??z]TC为估计容量的系统状态值。首先设定系统状态和协方差的初始值,初值的选择不会影响后续计算结果,一般将状态初值设为状态的期望值,协方差的初值设为0。
(16)

在电池SOC和容量的预测更新中,分别采用各自的状态方程,计算如下:
(17)

SOC和容量系统的协方差预测计算分别为
(18)

SOC和容量估计的卡尔曼滤波增益计算分别为
(19)

SOC和容量的状态更新计算分别为
(20)

SOC和容量的误差协方差更新计算分别为
(21)

循环计算式(17)~式(21),即可实现基于DEKF的电池SOC及容量联合估计。在该方法中,估计的SOC值用于计算容量更新,而估计出的容量值用于计算预估的SOC值。
3.2 多时间尺度的SOC及容量联合估计 在电池的SOC估计中,SOC需要以一个较高的频率进行更新,因为在大电流脉冲充放电时,很短的时间都会对SOC造成影响。例如,在BMS系统中,SOC计算更新的步长一般在100ms左右。但对于容量而言,其变化速率远远小于SOC的变化速率,在固定工况下,电池前100次循环的容量衰减小于5%,可见容量变化速率很小。如果在计算容量时也采用和计算SOC相同的更新频率,会增加BMS系统的计算量。根据以上分析,设计一种多时间尺度的SOC及容量联合估计,其中SOC采用微观时间尺度,容量采用宏观时间尺度,通过设置时间尺度变换量L,当微观时间尺度达到设定的尺度变化量L时,进行一次宏观时间尺度计算,即容量更新。具体实现流程如图 4所示。
图 4 多时间尺度的SOC及容量联合估计方法 Fig. 4 Multi-time scale SOC and capacity joint estimation method
图选项




在多时间尺度的SOC及容量联合估计中,仍采用DEKF算法,微观尺度下进行SOC估计更新,期间采用安时积分法计算容量的累积变化量,并用l进行计数,直到l=L,进行时间尺度转换,将SOC值zk1|k1L时间内的安时积分量ΔCL传入到宏观尺度下,进行宏观尺度的容量估计。时间尺度转换如下:
(22)

多尺度EKF算法中的微观尺度SOC估计和DEKF算法中的SOC估计相对应,具有相同的功能和效果,多尺度EKF算法中的宏观尺度容量估计和DEKF算法中的容量估计相对应,不同之处在于宏观尺度的容量估计是每隔Lk1更新一次,而DEKF算法中是每隔k1更新一次,大大减小了计算量。多尺度EKF算法中,微观尺度估计出的SOC值和安时积分量用于宏观尺度容量估计的测量更新;宏观尺度估计出的容量值用于微观尺度SOC的时间更新。
4 实验验证及分析 4.1 模型验证 为了验证模型对SOC和容量估计的准确性,本文在动态工况下进行验证。电池动态工况采用DST工况,由美国先进电池联盟提出,为了模拟电动汽车需求的功率范围而设定多个放电倍率,一个DST循环为360s,如图 5所示。将其扩展至电池的整个放电循环,测试环境温度为25℃,实验端电压及模型仿真值如图 6所示。
图 5 DST循环电流 Fig. 5 Circulating current of DST
图选项




图 6 端电压测量值与仿真值对比 Fig. 6 Comparison of voltage measurementvalue and simulation value
图选项




图 6可以看出,电压仿真值和测量值基本重合,在放电末端,由于电池内阻较大,电压变化较快,导致模型估计误差增大。本文所搭建的模型可以较好地对动力电池端电压动态变化实现模拟,该结果也进一步验证了模型的可靠性及参数辨识的准确性。
4.2 SOC验证 采用DST测试工况,环境温度设置为25℃,基于DEKF算法,对电池的SOC进行验证,估计结果如图 7所示。其中参考值采用安时积分法获得,估计值为DEKF算法考虑温度的SOC估计值,在DST动态工况下SOC的估计误差保持在0.03以内。
图 7 SOC估计结果及误差(25℃) Fig. 7 SOC estimation results and errors (25℃)
图选项




为了验证温度对SOC估计的影响,在0℃环境下开展DST工况测试验证。图 8(a)为采用25℃下的模型参数得到的SOC估计结果及误差,图 8(b)为采用实际测量温度得到的SOC估计结果及误差。在0℃环境下,若仍采用25℃下的模型参数进行SOC估计,会出现比较大的误差,从图 8可以看到,SOC的最大误差已经超过0.1。由于模型已提前对0~45℃下的模型参数进行了标定,且参数在不同温度下相差较大,采用实际测量的电池温度数据才能更好模拟电池当前特性,得到的SOC估计结果如图 8(b)所示。考虑到电池实际温度后,电池SOC估计误差保持在0.03以内,估计精度得到很大提升,所以考虑电池温度能够提高SOC的估计精度。
图 8 温度对SOC估计的影响 Fig. 8 Effect of temperature on SOC estimation
图选项




4.3 容量验证 为了验证容量估计的准确性,在0℃和25℃下采用DST测试工况进行验证。在容量估计模型中,设定尺度变换量L=400,容量估计初始值为58Ah,容量估计结果及参考值如图 9所示,其中参考值为该温度下电池放电实验获取的容量值。在容量估计中,设定的初始值允许有初始误差,从图中可以看到,容量估计的结果逐渐靠近参考值,达到收敛,且误差保持在1Ah以内。
图 9 容量估计结果 Fig. 9 Capacity estimation results
图选项




5 结论 1) 建立了三元锂离子电池戴维宁等效电路模型,采用端电压静置恢复曲线拟合的方法对模型参数进行辨识,并将开路电压、欧姆内阻、极化电阻、时间常数等参数设定为和温度SOC相关的变量,建立二维脉谱图,提高了电池模型在宽温度范围内的准确度。
2) 基于EKF算法原理,建立DEKF状态空间方程,实现三元锂离子电池SOC和容量的联合估计。提出了多时间尺度估计方法,SOC估计采用微观时间尺度,容量估计采用宏观时间尺度,减小了BMS系统的变化量,也降低了SOC短时估计误差对容量的影响。
3) 采用DST动态工况对搭建的电池模型及估计方法进行验证,结果表明,三元锂离子电池在宽温度范围内,建立的电池模型具有较高的精度,所提出的多时间尺度估计方法SOC的估计误差小于0.03,容量的估计误差小于1Ah。
综上所述,本文提供的联合估计方法可为三元锂离子电池SOC及容量提供准确估计。此外,后续会进一步探索该方法在其他类型电池(如磷酸铁锂电池)的估计效果。

参考文献
[1] RIVERA-BARRERA J P, MU?OZ-GALEANO N, SARMIENTO-MALDONADO H O. SoC estimation for lithium-ion batteries:Review and future challenges[J]. Electronics, 2017, 6(4): 102. DOI:10.3390/electronics6040102
[2] ANDWARI A M, PESIRIDIS A, RAJOO S, et al. A review of battery electric vehicle technology and readiness levels[J]. Renewable and Sustainable Energy Reviews, 2017, 78: 414-430. DOI:10.1016/j.rser.2017.03.138
[3] 杨世春, 麻翠娟. 基于PNGV改进模型的SOC估计算法[J]. 汽车工程, 2015, 37(5): 582-586.
YANG S C, MA C J. SOC estimation algorithm based on improved PNGV model[J]. Automotive Engneering, 2015, 37(5): 582-586. (in Chinese)
[4] LI Z, HUANG J, LIAW B Y, et al. On state-of-charge determination for lithium-ion batteries[J]. Journal of Power Sources, 2017, 348: 281-301. DOI:10.1016/j.jpowsour.2017.03.001
[5] 徐颖, 沈英. 基于改进卡尔曼滤波的电池SOC估算[J]. 北京航空航天大学学报, 2014, 40(6): 855-860.
XU Y, SHEN Y. Improved battery state-of-charge estimation based on Kalman filter[J]. Journal of Beijing University of Aeronautics and Astronautics, 2014, 40(6): 855-860. (in Chinese)
[6] HANNAN M A, LIPU M S H, HUSSAIN A, et al. A review of lithium-ion battery state of charge estimation and management system in electric vehicle applications:Challenges and recommendations[J]. Renewable and Sustainable Energy Reviews, 2017, 78: 834-854. DOI:10.1016/j.rser.2017.05.001
[7] 印学浩, 宋宇晨, 刘旺, 等. 基于多时间尺度的锂离子电池状态联合估计[J]. 仪器仪表学报, 2018, 39(8): 118-126.
YIN X H, SONG Y C, LIU W, et al. Multi-scale state joint estimation for lithium-ion battery[J]. Chinese Journal of Scientific Instrument, 2018, 39(8): 118-126. (in Chinese)
[8] HU C, YOUN B D, CHUNG J. A multiscale framework with extended Kalman filter for lithium-ion battery SOC and capacity estimation[J]. Applied Energy, 2012, 92: 694-704. DOI:10.1016/j.apenergy.2011.08.002
[9] PLETT G L. Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs-Part 1.Background[J]. Journal of Power Sources, 2004, 134(2): 252-261. DOI:10.1016/j.jpowsour.2004.02.031
[10] HE H W, ZHANG Y Z, XIONG R, et al. A novel Gaussian model based battery state estimation approach:State-of-energy[J]. Applied Energy, 2015, 151: 41-48. DOI:10.1016/j.apenergy.2015.04.062
[11] SUN F, XIONG R, HE H. Estimation of state-of-charge and state-of-power capability of lithium-ion battery considering varying health conditions[J]. Journal of Power Sources, 2014, 259: 166-176. DOI:10.1016/j.jpowsour.2014.02.095
[12] LIU C, LIU W, WANG L, et al. A new method of modeling and state of charge estimation of the battery[J]. Journal of Power Sources, 2016, 320: 1-12. DOI:10.1016/j.jpowsour.2016.03.112
[13] SCHWUNK S, ARMBRUSTER N, STRAUB S, et al. Particle filter for state of charge and state of health estimation for lithium-iron phosphate batteries[J]. Journal of Power Sources, 2013, 239: 705-710. DOI:10.1016/j.jpowsour.2012.10.058
[14] ROSCHER M A, ASSFALG J, BOHLEN O S. Detection of utilizable capacity deterioration in battery systems[J]. IEEE Transactions on Vehicular Technology, 2011, 60(1): 98-103. DOI:10.1109/TVT.2010.2090370
[15] PLETT G L. Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs-Part 3.State and parameter estimation[J]. Journal of Power Sources, 2004, 134(2): 277-292. DOI:10.1016/j.jpowsour.2004.02.033
[16] YANG S C, DENG C, ZHANG Y L, et al. State of charge estimation for lithium-ion battery with a temperature-compensated model[J]. Energies, 2017, 10(10): 1560. DOI:10.3390/en10101560
[17] SHEN P, OUYANG M G, LU L G, et al. The co-estimation of state of charge, state of health and state of function for lithium-ion batteries in electric vehicles[J]. IEEE Transactions on Vehicular Technology, 2017, 67(1): 92-103.
[18] 刘新天, 孙张驰, 何耀, 等. 基于环境变量建模的锂电池SOC估计方法[J]. 东南大学学报(自然科学版), 2017, 47(2): 306-312.
LIU X T, SUN Z C, HE Y, et al. SOC estimation method based on lithium-ion cell model considering environmental factors[J]. Journal of Southeast University (Natural Science Edition), 2017, 47(2): 306-312. (in Chinese)
[19] YANG J F, XIA B, SHANG Y L, et al. Adaptive state-of-charge estimation based on a split battery model for electric vehicle applications[J]. IEEE Transactions on Vehicular Technology, 2017, 66(12): 10889-10898. DOI:10.1109/TVT.2017.2728806
[20] XIONG R, CAO J Y, YU Q Q, et al. Critical review on the battery state of charge estimation methods for electric vehicles[J]. IEEE Access, 2018, 6: 1832-1843. DOI:10.1109/ACCESS.2017.2780258


相关话题/系统 电压 计算 观测 测量

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 基于修正IMM的风机变桨系统故障诊断方法*
    风能的开发和利用近些年正处于一个快速上升阶段[1]。风力发电机是风能转换电能的重要设备,其中的变桨子系统在维持风机的功率输出稳定和运行安全上起着重要的作用。相对于发电机、齿轮箱等其他子系统,变桨系统故障诊断方法的研究起步较晚,但近几年国内外****相继做出了许多尝试。文献[2]采用多胞形未知输入观测 ...
    本站小编 Free考研考试 2021-12-25
  • 新型排气余压利用系统无因次效率研究*
    压缩空气在许多工业中得到广泛应用,据报道,压缩空气系统约占工业能源消耗量的10%[1]。与电气系统、液压系统相比,气动系统具有成本低、维修方便、结构简单、环保等优点[2-3]。然而由于空气的可压缩性,气动系统具有高度的非线性[4]和低能效[5],有研究表明,气动系统的效率甚至低于20%[6]。在压缩 ...
    本站小编 Free考研考试 2021-12-25
  • 应用于智能芯片的可视化反馈系统研究*
    近年以来科学研究和市场表明,深度学习(DeepLearning,DL)[1]不仅在传统的语音识别、图像识别、搜索/推荐引擎、计算广告等领域证明了其划时代的价值,也引爆了整个人工智能(ArtificialIntelligence,AI)生态向更大的领域延伸。深度学习是机器学习(MachineLearn ...
    本站小编 Free考研考试 2021-12-25
  • 飞机电动滑行系统驱动特性及节能减排性能分析*
    近年来,中国民用航空行业蓬勃发展,其背后带来的负面影响也在逐渐加剧。其一,大量的燃油消耗导致能源的浪费,也关系到机场和航空公司的经济效益;其二,主要包括CO、HC、NOX在内的污染物超量排放导致空气质量的日益下降,对环境造成的破坏不容忽视,不利于绿色航空的发展。因此,如何进一步节省燃油消耗和减少污染 ...
    本站小编 Free考研考试 2021-12-25
  • 复杂管网系统未知信息调节阀的一种瞬变建模方法*
    由众多管道和调节设备组成的管网系统在供水[1-3]、气力输送[4-7]、液体推进系统[8-10]等工程领域中应用广泛,国内外对这类系统也已开展了诸多研究。由于这类系统一般构成复杂、组件众多,以目前的技术条件主要集中在系统层面开展数值仿真研究,重点关注系统的整体特性及单个部件在系统中的作用和对系统的影 ...
    本站小编 Free考研考试 2021-12-25
  • 数字开关液压系统管路压力波传播建模与分析*
    流体传动与控制技术作为一门涉及流体-机械的独立学科,长期服务于航空航天、海洋勘探、装备制造等重要领域[1]。与电、机械传动相比,其具有显著的功率密度比优势,然而目前传统液压元件及系统效率低下,平均能效为21%左右[2]。数字液压技术作为流体传动与控制技术的新兴发展方向,因其具有效率高、可靠性高、控制 ...
    本站小编 Free考研考试 2021-12-25
  • 激光雷达复材型面测量精度分析方法*
    复合材料(以下简称复材)因其高比强度、低密度、易于实现设计制造一体化等优点在航空、航天、汽车、电子电气等领域的得到了广泛应用[1]。与钣金成型及机加工零件相比,复材零件在制造过程中一旦固化成型后,其型面的变形误差将无法再次进行校正,只能从设计角度进行结构优化,因此需要准确地获取脱模后复材零件的型面信 ...
    本站小编 Free考研考试 2021-12-25
  • 基于扩张状态观测器的泵控电液伺服系统滑模控制*
    电液伺服系统因具有高功率密度、动态响应速度快等优点,在工业领域有着广泛的应用[1-2]。电液伺服系统大体上可以分为2类:阀控系统和泵控系统。阀控系统具有动态性能好、动态刚度高等特点,但是存在能量效率低、体积庞大、发热严重等问题[3-4]。与阀控系统相比,泵控系统的最大特点在于可以通过对泵转速的调节, ...
    本站小编 Free考研考试 2021-12-25
  • DRO计算及其在地月系中的摄动力研究*
    随着深空探测任务的开展,有许多不同的关键技术需要研究,首先需要解决的关键问题就是航天器的轨道设计问题。相较于近地空间,深空探测器所处的引力环境具有多样性,不再局限于经典的二体开普勒轨道,其基本动力学模型可简化为一个受摄的圆形限制性三体问题(CircularRestrictedThree-BodyPr ...
    本站小编 Free考研考试 2021-12-25
  • 二阶多智能体系统自抗扰编队跟踪与避撞控制*
    编队控制是多智能体协同控制的重要分支,编队控制的基本问题是队形控制问题,即通过控制使得多个智能体形成和保持期望的相对状态。实际上,很多编队任务不仅要求智能体之间保持期望的队形,还需要考虑编队整体的参考轨迹,即编队跟踪控制。编队整体的参考轨迹可以是预先设定的,也可以是未知的。在环境信息已知的前提下,预 ...
    本站小编 Free考研考试 2021-12-25