| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第13-24页 |
| 1.1 课题研究的背景与意义 | 第13-15页 |
| 1.2 荷电状态估计研究现状 | 第15-20页 |
| 1.2.1 基于电压的SOC估计方法 | 第15-16页 |
| 1.2.2 安时积分法 | 第16-17页 |
| 1.2.3 基于内阻的SOC估计方法 | 第17页 |
| 1.2.4 基于电池动态特性的SOC估计方法 | 第17-19页 |
| 1.2.5 卡尔曼滤波SOC估计方法 | 第19页 |
| 1.2.6 模糊SOC估计方法 | 第19-20页 |
| 1.2.7 数据驱动SOC估计方法 | 第20页 |
| 1.3 不可靠数据估计方法研究现状 | 第20-22页 |
| 1.4 主要研究内容 | 第22-23页 |
| 1.5 结构安排 | 第23-24页 |
| 第2章 粒子群支持向量机SOC估计方法 | 第24-39页 |
| 2.1 引言 | 第24页 |
| 2.2 相关统计学习理论 | 第24-27页 |
| 2.2.1 VC维 | 第24-25页 |
| 2.2.2 推广性界理论 | 第25-26页 |
| 2.2.3 结构风险最小化准则 | 第26-27页 |
| 2.3 支持向量机 | 第27-30页 |
| 2.3.1 支持向量机分类方法 | 第27-29页 |
| 2.3.2 支持向量机回归方法 | 第29-30页 |
| 2.4 最小二乘支持向量机回归方法 | 第30-32页 |
| 2.5 基于粒子群的参数寻优方法 | 第32-33页 |
| 2.6 实验测试 | 第33-38页 |
| 2.6.1 实验方法 | 第33-34页 |
| 2.6.2 恒定电流放电实验 | 第34-36页 |
| 2.6.3 交替充放电实验 | 第36-38页 |
| 2.7 小结 | 第38-39页 |
| 第3章 模糊支持向量机回归方法研究 | 第39-53页 |
| 3.1 引言 | 第39-40页 |
| 3.2 加权最小二乘支持向量机 | 第40-41页 |
| 3.3 模糊推理方法 | 第41-46页 |
| 3.3.1 模糊推理方法简介 | 第42-44页 |
| 3.3.2 基于模糊的数据置信度度量方法 | 第44-46页 |
| 3.4 基于夹角的非线性相关性度量 | 第46-48页 |
| 3.5 实验分析 | 第48-52页 |
| 3.6 小结 | 第52-53页 |
| 第4章 混合高斯过程回归方法研究 | 第53-71页 |
| 4.1 引言 | 第53-54页 |
| 4.2 高斯过程回归 | 第54-57页 |
| 4.2.1 基于GPR的SOC估计方法(函数空间) | 第54-56页 |
| 4.2.2 基于GPR的SOC估计方法(权重空间) | 第56-57页 |
| 4.3 混合高斯过程回归 | 第57-58页 |
| 4.4 进化期望最大算法 | 第58-60页 |
| 4.5 Pearson非线性相关系数度量方法 | 第60-64页 |
| 4.6 实验分析 | 第64-70页 |
| 4.7 小结 | 第70-71页 |
| 第5章 加权高斯过程回归方法研究 | 第71-98页 |
| 5.1 引言 | 第71-72页 |
| 5.2 加权高斯过程回归方法 | 第72-76页 |
| 5.2.1 加权贝叶斯线性回归 | 第72-74页 |
| 5.2.2 WGPR建模方法(权重空间) | 第74-75页 |
| 5.2.3 WGPR建模方法(函数空间) | 第75-76页 |
| 5.2.4 WGPR超参数优化方法 | 第76页 |
| 5.3 加权函数计算方法 | 第76-81页 |
| 5.3.1 加权密度离群检测算法 | 第76-79页 |
| 5.3.2 加权欧氏距离 | 第79-81页 |
| 5.4 WGPR在动力电池SOC估计中的应用 | 第81-87页 |
| 5.5 基于WGPR的短期光伏发电预测方法 | 第87-97页 |
| 5.5.1 数据处理 | 第88-89页 |
| 5.5.2 实验分析 | 第89-97页 |
| 5.6 小结 | 第97-98页 |
| 总结与展望 | 第98-100页 |
| 研究工作总结 | 第98-99页 |
| 工作展望 | 第99-100页 |
| 致谢 | 第100-101页 |
| 附录Ⅰ 回归模型性能评价指标计算方法 | 第101-102页 |
| 参考文献 | 第102-114页 |
| 作者在攻读博士学位期间论文及科研情况 | 第114-115页 |