| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-21页 |
| 1.1 课题研究背景与意义 | 第10-12页 |
| 1.2 国内外对锂离子电池剩余寿命预测的研究现状 | 第12-18页 |
| 1.2.1 关于电池寿命模型的研究 | 第13-16页 |
| 1.2.2 关于数据驱动方法的研究 | 第16-18页 |
| 1.2.3 关于容量恢复效应的研究 | 第18页 |
| 1.3 当前在寿命预测中还存在的问题 | 第18-19页 |
| 1.4 本文主要研究内容及总体工作思路 | 第19-21页 |
| 2 锂离子电池容量变化机理与实验数据分析 | 第21-32页 |
| 2.1 锂离子电池的工作原理 | 第21-22页 |
| 2.2 锂离子电池的失效机理 | 第22-25页 |
| 2.3 锂离子电池的容量恢复效应 | 第25-27页 |
| 2.4 锂离子电池的退化实验与数据分析 | 第27-31页 |
| 2.4.1 锂离子电池退化实验 | 第27-28页 |
| 2.4.2 NASA电池数据分析 | 第28-31页 |
| 2.5 本章小结 | 第31-32页 |
| 3 基于多模式的锂离子容量变化建模 | 第32-52页 |
| 3.1 模型评价标准 | 第32-33页 |
| 3.2 底层衰退模式建模 | 第33-38页 |
| 3.3 容量恢复建模 | 第38-42页 |
| 3.4 表层容量衰退建模 | 第42-45页 |
| 3.5 模型验证与预测 | 第45-49页 |
| 3.5.1 拟合效果检验 | 第45-47页 |
| 3.5.2 基于模型的锂离子电池剩余寿命预测 | 第47-49页 |
| 3.6 模型对比 | 第49-51页 |
| 3.7 本章小结 | 第51-52页 |
| 4 基于智能算法的多模式模型参数优化 | 第52-65页 |
| 4.1 基于遗传算法的多模式模型参数优化 | 第52-57页 |
| 4.1.1 遗传算法的原理 | 第52-53页 |
| 4.1.2 遗传算法基本要素 | 第53-54页 |
| 4.1.3 基于遗传算法的锂离子电池寿命预测框架 | 第54-56页 |
| 4.1.4 预测结果 | 第56-57页 |
| 4.2 基于人群搜索算法的多模式模型参数优化 | 第57-63页 |
| 4.2.1 人群搜索算法的原理 | 第57-58页 |
| 4.2.2 人群搜索算法基本要素 | 第58-60页 |
| 4.2.3 基于人群搜索算法的锂离子电池寿命预测框架 | 第60-61页 |
| 4.2.4 预测结果 | 第61-63页 |
| 4.3 优化算法对比 | 第63-64页 |
| 4.4 本章小结 | 第64-65页 |
| 5 基于粒子滤波与多模式模型的电池剩余寿命预测 | 第65-72页 |
| 5.1 粒子滤波简介 | 第65-68页 |
| 5.1.1 粒子滤波原理 | 第65-67页 |
| 5.1.2 粒子滤波流程 | 第67-68页 |
| 5.2 基于粒子滤波的锂离子剩余寿命预测 | 第68-71页 |
| 5.2.1 预测框架 | 第68-69页 |
| 5.2.2 预测结果 | 第69-71页 |
| 5.3 本章小结 | 第71-72页 |
| 6 全文工作总结与展望 | 第72-74页 |
| 6.1 全文工作总结 | 第72-73页 |
| 6.2 未来的工作展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 附录 | 第78页 |