| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 SOC检测技术特点及现状 | 第12-14页 |
| 1.2.2 SOH检测技术特点及现状 | 第14-15页 |
| 1.2.3 在线检测所面临的问题 | 第15-16页 |
| 1.3 论文主要内容和组织结构 | 第16-17页 |
| 第二章 VRLA蓄电池工作原理与特性分析 | 第17-30页 |
| 2.1 VRLA蓄电池的工作原理 | 第17-21页 |
| 2.1.1 VRLA蓄电池化学反应原理 | 第17-20页 |
| 2.1.2 VRLA蓄电池的内部氧循环原理 | 第20-21页 |
| 2.2 VRLA蓄电池失效机理 | 第21-23页 |
| 2.2.1 热失控 | 第21-22页 |
| 2.2.2 失水 | 第22页 |
| 2.2.3 不可逆硫酸盐化 | 第22-23页 |
| 2.2.4 正极板板栅腐蚀 | 第23页 |
| 2.2.5 自放电 | 第23页 |
| 2.3 VRLA蓄电池的主要特性参数 | 第23-29页 |
| 2.3.1 蓄电池容量 | 第23-24页 |
| 2.3.2 蓄电池电压 | 第24-27页 |
| 2.3.3 蓄电池放电电流 | 第27页 |
| 2.3.4 蓄电池内阻 | 第27页 |
| 2.3.5 蓄电池温度 | 第27-28页 |
| 2.3.6 蓄电池荷电状态SOC | 第28页 |
| 2.3.7 蓄电池健康状态SOH | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 VRLA蓄电池SOH分类 | 第30-38页 |
| 3.1 前言 | 第30页 |
| 3.2 BP神经网络算法 | 第30-33页 |
| 3.2.1 BP网络原理 | 第31页 |
| 3.2.2 BP网络的相关讨论 | 第31-33页 |
| 3.3 基于BP网络的蓄电池SOH分类 | 第33-37页 |
| 3.3.1 问题描述与数据整理 | 第33-35页 |
| 3.3.2 结构设计与结果分析 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 VRLA蓄电池SOC估算 | 第38-48页 |
| 4.1 前言 | 第38页 |
| 4.2 支持向量机理论 | 第38-41页 |
| 4.2.1 支持向量机概述 | 第38-39页 |
| 4.2.2 最小二乘支持向量机原理 | 第39-40页 |
| 4.2.3 核函数 | 第40-41页 |
| 4.3 改进蚁群算法用于参数优化 | 第41-43页 |
| 4.3.1 基本蚁群算法机理 | 第41-42页 |
| 4.3.2 蚁群算法的改进 | 第42-43页 |
| 4.3.3 LS-SVM与改进蚁群算法融合 | 第43页 |
| 4.4 基于LS-SVM的VRLA蓄电池SOC估算 | 第43-47页 |
| 4.4.1 样本数据采集 | 第43-44页 |
| 4.4.2 模型参数设置与结果分析 | 第44-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48页 |
| 5.2 工作中的不足和展望 | 第48-50页 |
| 参考文献 | 第50-53页 |
| 致谢 | 第53-54页 |
| 作者简介，硕士学位期间学术成果 | 第54页 |