| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-12页 |
| 1.1.1 电动汽车的发展 | 第8-9页 |
| 1.1.2 动力电池技术 | 第9-10页 |
| 1.1.3 电池管理系统 | 第10-12页 |
| 1.2 课题来源及研究目的 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.3.1 锂离子电池及其管理系统研究现状 | 第13-14页 |
| 1.3.2 电池荷电状态估计研究现状 | 第14-15页 |
| 1.4 论文组织结构 | 第15页 |
| 1.5 本章小结 | 第15-16页 |
| 2 SOC及其常用估计方法 | 第16-25页 |
| 2.1 电动汽车对动力电池的要求 | 第16-18页 |
| 2.2 锂离子电池的特性 | 第18-20页 |
| 2.2.1 锂离子电池的工作原理 | 第18-19页 |
| 2.2.2 锂离子电池的性能指标 | 第19-20页 |
| 2.3 电池荷电状态SOC | 第20-24页 |
| 2.3.1 SOC的定义和数学模型 | 第20-21页 |
| 2.3.2 SOC估计的影响因素和难点 | 第21-22页 |
| 2.3.3 常用的SOC估计方法 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 基于PSO-LSSVM算法的锂电池SOC估计 | 第25-39页 |
| 3.1 最小二乘支持向量机 | 第25-29页 |
| 3.1.1 支持向量机 | 第25-26页 |
| 3.1.2 最小二乘支持向量机原理 | 第26-28页 |
| 3.1.3 最小二乘支持向量机参数优化 | 第28-29页 |
| 3.2 粒子群优化算法 | 第29-32页 |
| 3.2.1 粒子群优化算法概述 | 第29页 |
| 3.2.2 粒子群优化算法原理 | 第29-31页 |
| 3.2.3 粒子群优化算法的参数控制 | 第31-32页 |
| 3.3 基于PSO-LSSVM算法的锂电池SOC估计 | 第32-34页 |
| 3.3.1 PSO-LSSVM估计SOC参数选择 | 第32-33页 |
| 3.3.2 PSO-LSSVM估计SOC流程 | 第33-34页 |
| 3.4 实验仿真与分析 | 第34-38页 |
| 3.5 本章小结 | 第38-39页 |
| 4 基于改进SRFNN的锂电池在线SOC估计 | 第39-55页 |
| 4.1 模糊神经网络 | 第39-42页 |
| 4.1.1 模糊神经网络概述 | 第39-40页 |
| 4.1.2 模糊神经网络结构 | 第40-42页 |
| 4.2 自组织递归模糊神经网络 | 第42-43页 |
| 4.2.1 自组织递归模糊神经网络概述 | 第42页 |
| 4.2.2 自组织递归模糊神经网络的结构优化算法 | 第42-43页 |
| 4.3 基于改进SRFNN的锂电池在线SOC估计 | 第43-51页 |
| 4.3.1 函数链接型神经网络(FLANN) | 第43-44页 |
| 4.3.2 改进SRFNN估计SOC的网络结构 | 第44-47页 |
| 4.3.3 改进SRFNN估计SOC的结构学习与参数学习 | 第47-51页 |
| 4.4 实验仿真与分析 | 第51-54页 |
| 4.5 本章小结 | 第54-55页 |
| 5 总结 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 附录 | 第61页 |
| A. 作者在攻读学位期间发表的论文目录： | 第61页 |
| B. 作者在攻读学位期间取得的科研成果目录： | 第61页 |
| C. 作者在攻读学位期间获得的荣誉： | 第61页 |