基于机器学习的动力电池自动配组技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究的背景与意义 | 第9-11页 |
| 1.2 动力电池及其配组概述 | 第11-13页 |
| 1.3 发展趋势 | 第13-14页 |
| 1.4 课题来源和研究内容 | 第14-16页 |
| 1.4.1 课题来源 | 第14页 |
| 1.4.2 本文研究内容与结构安排 | 第14-16页 |
| 第2章 锂电池配组技术 | 第16-23页 |
| 2.1 锂电池介绍 | 第16-20页 |
| 2.1.1 锂电池种类 | 第16-17页 |
| 2.1.2 锂电池的特性 | 第17-18页 |
| 2.1.3 影响锂电池组寿命的因素 | 第18-20页 |
| 2.2 锂电池配组技术基础 | 第20-22页 |
| 2.2.1 锂电池不一致性概述 | 第20页 |
| 2.2.2 锂电池配组方法 | 第20-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 基于手动提取特征的电池配组方法 | 第23-30页 |
| 3.1 时间序列的特征提取 | 第23-25页 |
| 3.2 电池间差异性度量 | 第25-27页 |
| 3.2.1 数据预处理 | 第25-26页 |
| 3.2.2 差异性度量方法 | 第26-27页 |
| 3.3 K-means聚类算法原理 | 第27-28页 |
| 3.4 软件环境介绍 | 第28页 |
| 3.5 基于手动提取特征的电池配组方法实现 | 第28-29页 |
| 3.6 本章小结 | 第29-30页 |
| 第4章 基于自编码神经网络的电池配组方法 | 第30-57页 |
| 4.1 相关技术原理的介绍 | 第30-44页 |
| 4.1.1 人工神经网络简介 | 第30-32页 |
| 4.1.2 BP神经网络介绍 | 第32-35页 |
| 4.1.3 激活函数 | 第35-40页 |
| 4.1.4 神经网络优化器 | 第40-44页 |
| 4.1.5 深度学习概念 | 第44页 |
| 4.2 基于自编码神经网络的特征提取 | 第44-52页 |
| 4.2.1 自编码神经网络原理 | 第44-45页 |
| 4.2.2 软件环境介绍 | 第45-46页 |
| 4.2.3 提取放电序列特征的自编码神经网络模型 | 第46-52页 |
| 4.3 电池间差异性度量 | 第52页 |
| 4.4 基于快速搜索和查找密度峰的聚类算法原理 | 第52-53页 |
| 4.5 基于自编码神经网络的配组方法实现 | 第53-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第5章 实验 | 第57-66页 |
| 5.1 聚类评价 | 第57页 |
| 5.2 配组方法的对比分析 | 第57-58页 |
| 5.3 实验方案设计 | 第58-59页 |
| 5.4 实验条件 | 第59-64页 |
| 5.4.1 实验所使用的电池 | 第59-60页 |
| 5.4.2 实验设备 | 第60-64页 |
| 5.5 结果分析 | 第64-65页 |
| 5.5.1 电池储存性能实验 | 第64页 |
| 5.5.2 电池循环性能对比 | 第64-65页 |
| 5.6 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 附录 | 第72页 |
