(1)初始值给定 为使迭代能够快速收敛，应当将SOC的初始值设定得比较接近真实值。R的初始值则通过当前SOC查表给出。另外两个状态可以设为0。由此就得到了X(0)和R(0)。
(2)SOC估计使用第k-1步的系统参数来估计第k步的系统状态；然后再用第k步的系统状态，估计第k步的系统参数。首先，使用电流积分对第k步的系统状态进行估计，UPS电源测得的电池两端电压；U'(k)为使用电池模型估计的端电压，其计算方程式为U'(k)=f(S(k))-R(k)I(k)-Ura(k)-Una
(3)内阻估计首先，使用内阻和SOC的关系对第 双卡尔基波过社第一步，张制步的内阳进行估计，即 状态方程得到技态和协方差预测值UPS电源双卡尔曼德或法第三步；多数更新
ups电源的SOC估算方法精度较低、实用性不强等缺点，在改进的PNGV模型的基础上，采用自适应卡尔曼滤波法在线估计噪声的统计特性，以提高估算精度。通过仿真试验表明，采用自适应卡尔曼滤波法的SOC估算精度，明显高于扩展卡尔曼滤波法的估算精度，其有效地降低了SOC估算过程中的噪声干扰，具有一定的可靠性和实用性。通过利用电源、电阻、电容等电气元件构建成的电路网络来模拟ups电源的充放电特性。因为模型都是由电气元件组成的，所以能够表示成具体的数学方程，十分直观且便于分析。目前，等效电路模型的种类很多，PNGV模型与内阻模型、RC模型以及Thevenin模型相比，具有更好的动态适应性，在此基础上，通过增加一个RC回路以更好地模拟ups电源的动态特性，等效电路模型如图5-6所示。其噪声特性均假设为高斯白噪声，然而在实际使用过程中，其特性往往无法统计。如果仍然假设为高斯白噪声，会使系统状态的实际估计误差值与理论上计算出的误差值相差很大，随着数据的不断迭代，两者的误差会越来越大。这会使卡尔曼滤波法的估算精度降低甚至失效。针对这一问题，AEKF法在EKF法的基础上，通过测量数据，不断地估计和修正噪声的统计特性以提高估计系统状态的精度，UPS电源系统在k时刻的状态为x；y，为对应状态的观测信号；u为系统的输人矩阵；A为传递矩阵；B为系统控制矩阵；C为观测矩阵；w为均值q、协方差的输入过程噪声；v为均值r、协方差R的观测噪声；F为噪声驱动矩阵。
UPS电源每一项的加权系数，然而在时变系统中，新近数据对系统的影响较大，因此采用指数加权法对估计器做一定的改进，在式中每部分乘以一个不同的指数加权系数β，使其满足，其中，b为遗忘因子，把原估计器中每项的(k+1)替换成B，得到改进后的时变系统的噪声估计器。在线性卡尔曼滤波器的基础上，设计自适应卡尔曼滤波器的具体步骤如下：UPS电源步维续进行迭代计算。直到满足要求。综合上述内容，UPS电源更高的估计精度和更强的鲁棒性及稳定性，但是UKF法和KF法一样，也是以准确的数学模型和系统过程噪声及观测噪声统计特性已知为基础的。而当载体周围环境变化或者运动状态剧烈变化时，系统的过程噪声统计特性和观测噪声统计特性将会发生较大变化，此时标准UKF法滤波的精度和稳定性都会大大降低。
UPS电源如果电池工作电流剧烈变化|则随着时间的推进，在运行后期可能会遇到协方差值负定的问题。在计算过程中，状态变量SOC的协方差P，变成了负值，而Cholesky分解要求矩阵必须具有半正定性，否则算法无法继续进行，滤波器失效。滤波器失效原因是数值计算中存在着舍入误差。针对这个问题，一种由UKF法衍生出的新的滤波算法，UPS电源利用状态变量协方差的二次方根来代替协方差参与迭代运算，该方法能够保证状态变量协方差矩阵的半正定性和数值的稳定性，从而克服滤波发散。在UKF法中，计算开销最大的操作是每次更新时都需要重新计算新的点集。2022-05-19