| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 电动汽车电池管理系统研究现状 | 第11-12页 |
| 1.2.2 电动汽车动力电池模型研究现状 | 第12-13页 |
| 1.2.3 动力电池SOC估计算法研究现状 | 第13-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 第2章 磷酸铁锂动力电池模型的建立 | 第16-31页 |
| 2.1 磷酸铁锂电池概述 | 第16-18页 |
| 2.2 电池SOC定义及影响因素 | 第18-22页 |
| 2.2.1 电池SOC定义 | 第18页 |
| 2.2.2 影响电池SOC估计准确性的因素 | 第18-22页 |
| 2.3 常用电池模型 | 第22-25页 |
| 2.3.1 理想模型 | 第22-23页 |
| 2.3.2 线性模型 | 第23页 |
| 2.3.3 Thevenin模型 | 第23-24页 |
| 2.3.4 电化学模型 | 第24-25页 |
| 2.4 磷酸铁锂动力电池建模及参数获取 | 第25-30页 |
| 2.4.1 建立Thevenin电池状态空间模型 | 第25-28页 |
| 2.4.2 实验法获取电池模型动态参数 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 传统动力电池SOC估计算法的研究 | 第31-45页 |
| 3.1 电池SOC估计算法概述 | 第31-33页 |
| 3.1.1 安时计量法 | 第31页 |
| 3.1.2 开路电压法 | 第31-32页 |
| 3.1.3 内阻法 | 第32页 |
| 3.1.4 人工神经网络法 | 第32-33页 |
| 3.1.5 卡尔曼滤波法 | 第33页 |
| 3.2 卡尔曼滤波法估计原理 | 第33-38页 |
| 3.2.1 标准卡尔曼滤波法 | 第33-36页 |
| 3.2.2 拓展卡尔曼滤波法 | 第36-38页 |
| 3.3 基于EKF算法的动力电池SOC估计策略 | 第38-44页 |
| 3.3.2 EKF算法估计电池SOC的原理 | 第38-40页 |
| 3.3.3 EKF估计策略的建模仿真分析 | 第40-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 基于改进的BP-EKF算法电池SOC估计 | 第45-58页 |
| 4.1 人工神经网络概述及优化 | 第45-49页 |
| 4.1.1 BP神经网络工作原理 | 第45-46页 |
| 4.1.2 BP神经网络的学习算法 | 第46-48页 |
| 4.1.3 利用Levenberg-Marquardt算法对BP神经网络的改进 | 第48-49页 |
| 4.2 BP神经网络对EKF算法的优化 | 第49-50页 |
| 4.3 基于BP-EKF算法的电池SOC估计仿真分析 | 第50-57页 |
| 4.3.1 常规仿真验证 | 第52-55页 |
| 4.3.2 UDDS加噪仿真验证 | 第55-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第5章 动力电池管理系统的建立及SOC检测 | 第58-66页 |
| 5.1 电池管理系统硬件平台结构 | 第58-61页 |
| 5.1.1 电池信息检测模块 | 第59-61页 |
| 5.1.2 主通讯模块 | 第61页 |
| 5.2 电池管理系统SOC估计软件设计 | 第61-64页 |
| 5.2.1 主控制流程设计 | 第61-62页 |
| 5.2.2 SOC估计程序设计 | 第62-64页 |
| 5.3 电池SOC检测分析 | 第64-65页 |
| 5.4 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 作者简介 | 第75页 |