| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究的背景、目的和意义 | 第11-12页 |
| 1.2 储能电站在国内外的发展现状 | 第12页 |
| 1.3 电池管理系统在国内外的发展 | 第12-13页 |
| 1.4 国内外电池SOC估算算法研究现状 | 第13-16页 |
| 1.5 本文研究内容和章节安排 | 第16-17页 |
| 第二章 锂离子电池原理和特性分析及电池SOC | 第17-28页 |
| 2.1 储能电池的选择 | 第17-18页 |
| 2.2 磷酸铁锂电池 | 第18-20页 |
| 2.2.1 磷酸铁锂电池工作原理 | 第18-19页 |
| 2.2.2 磷酸铁锂电池参数 | 第19-20页 |
| 2.3 磷酸铁锂电池特性分析 | 第20-23页 |
| 2.3.1 磷酸铁锂电池电压特性 | 第21-22页 |
| 2.3.2 磷酸铁锂电池容量特性 | 第22-23页 |
| 2.4 磷酸铁锂电池的SOC | 第23-26页 |
| 2.4.1 电池SOC的定义 | 第23-24页 |
| 2.4.2 影响电池SOC的因素 | 第24-25页 |
| 2.4.3 电池SOC的修正定义 | 第25-26页 |
| 2.5 磷酸铁锂电池SOC的估算算法的选择 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 KF-ESN神经网络算法 | 第28-35页 |
| 3.1 人工神经网络 | 第28页 |
| 3.2 回声状态网络(ESN) | 第28-32页 |
| 3.2.1 ESN网络的结构及特点 | 第28-30页 |
| 3.2.2 ESN网络的建立和训练算法 | 第30-31页 |
| 3.2.3 ESN网络储备池的主要参数 | 第31-32页 |
| 3.3 KF-ESN网络 | 第32-34页 |
| 3.3.1 卡尔曼滤波算法 | 第32页 |
| 3.3.2 KF-ESN网络的在线学习算法 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于KF-ESN神经网络的电池SOC估算 | 第35-45页 |
| 4.1 电池SOC预测模型 | 第35-36页 |
| 4.2 预测模型样本数据 | 第36-39页 |
| 4.2.1 模型输入样本数据 | 第36-38页 |
| 4.2.2 样本SOC参考值的计算 | 第38页 |
| 4.2.3 训练样本数据处理 | 第38-39页 |
| 4.3 电池SOC预测结果分析 | 第39-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 规模储能电站电池管理系统的研究 | 第45-64页 |
| 5.1 储能系统中的电池管理系统 | 第45-47页 |
| 5.2 电池管理系统数据采集模块 | 第47-57页 |
| 5.2.1 BMU数据测量模块 | 第47-51页 |
| 5.2.2 温度检测电路 | 第51-52页 |
| 5.2.3 BCMS模块 | 第52-54页 |
| 5.2.4 电池组模块电压与电流测量 | 第54-55页 |
| 5.2.5 BMU与BCMS的通信设计 | 第55-57页 |
| 5.3 基于MCGS触摸屏的上位机设计 | 第57-63页 |
| 5.3.1 MCGS触摸屏 | 第57页 |
| 5.3.2 基于MCGS触摸屏的电池管理系统人机界面 | 第57-61页 |
| 5.3.3 上位机与BCMS的通信 | 第61-63页 |
| 5.4 本章小节 | 第63-64页 |
| 第六章 结论与展望 | 第64-65页 |
| 6.1 本文结论 | 第64页 |
| 6.2 研究展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间发表论文情况 | 第70页 |