基于数据驱动的锂电池剩余寿命预测方法研究
| 致谢 | 第5-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-19页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 线性归模型 | 第12-13页 |
| 1.2.2 高斯过程回归模型 | 第13页 |
| 1.2.3 朴素贝叶斯模型 | 第13-14页 |
| 1.2.4 支持向量机模型 | 第14页 |
| 1.2.5 前馈神经网络模型 | 第14-15页 |
| 1.2.6 自回归滑动平均模型(ARIMA) | 第15页 |
| 1.3 数据驱动的方法的一般流程 | 第15-16页 |
| 1.4 本文的研究目的与内容 | 第16-19页 |
| 2 锂离子电池衰退原理 | 第19-25页 |
| 2.1 锂离子电池衰退过程简介 | 第19-21页 |
| 2.2 本文涉及到的锂离子电池数据集介绍 | 第21-23页 |
| 2.2.1 NASA数据集 | 第22页 |
| 2.2.2 CALCE数据集 | 第22页 |
| 2.2.3 NANTEC数据集 | 第22-23页 |
| 2.3 本章小结 | 第23-25页 |
| 3 电池衰退数据预处理方法 | 第25-30页 |
| 3.1 方法介绍 | 第25-29页 |
| 3.2 本章小结 | 第29-30页 |
| 4 电池衰退轨迹随机性探究 | 第30-41页 |
| 4.1 电池衰退轨迹随机性的描述方法 | 第31-34页 |
| 4.1.1 容量排名法 | 第31页 |
| 4.1.2 标准曲线法 | 第31-33页 |
| 4.1.3 结构突变法 | 第33页 |
| 4.1.4 方法小结 | 第33-34页 |
| 4.2 电池衰退轨迹的随机性结果 | 第34-40页 |
| 4.2.1 容量排名法 | 第34-36页 |
| 4.2.2 标准曲线法 | 第36-38页 |
| 4.2.3 结构突变法 | 第38-40页 |
| 4.3 本章小结 | 第40-41页 |
| 5 电池剩余寿命概率预测模型 | 第41-50页 |
| 5.1 模型介绍 | 第41-46页 |
| 5.1.1 贝叶斯模型证据 | 第42-44页 |
| 5.1.2 融合先验知识的线性回归 | 第44-45页 |
| 5.1.3 利用蒙特卡洛方法估计电池剩余寿命 | 第45-46页 |
| 5.2 案例分析 | 第46-47页 |
| 5.3 模型验证 | 第47页 |
| 5.4 模型验证 | 第47-48页 |
| 5.5 本章小结 | 第48-50页 |
| 6 基于统计决策论的剩余寿命最优估计 | 第50-60页 |
| 6.1 统计决策论的原理 | 第50-52页 |
| 6.1.1 决策的三要素 | 第51页 |
| 6.1.2 期望损失与风险函数 | 第51-52页 |
| 6.2 损失函数的构造 | 第52-55页 |
| 6.3 案例分析 | 第55-56页 |
| 6.4 模型验证 | 第56-59页 |
| 6.5 本章小结 | 第59-60页 |
| 7 结论 | 第60-62页 |
| 7.1 展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第65-67页 |
| 学位论文数据集 | 第67页 |
