基于数据驱动的锂离子电池剩余寿命预测研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题的研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状分析 | 第9-11页 |
| 1.2.1 基于模型的方法 | 第9页 |
| 1.2.2 数据驱动的方法 | 第9-11页 |
| 1.2.3 基于融合的方法 | 第11页 |
| 1.3 本文的研究内容与章节安排 | 第11-14页 |
| 第2章 锂离子电池寿命退化分析 | 第14-20页 |
| 2.1 工作原理 | 第14-15页 |
| 2.2 锂离子电池的性能优势 | 第15-16页 |
| 2.3 锂离子电池退化过程分析与机理 | 第16-18页 |
| 2.4 EOL电池容量的经验模型 | 第18页 |
| 2.5 结论 | 第18-20页 |
| 第3章 基于BP神经网络的锂离子电池RUL预测 | 第20-28页 |
| 3.1 BP神经网络结构与原理 | 第20-23页 |
| 3.2 实验设计与结果分析 | 第23-27页 |
| 3.3 本章总结 | 第27-28页 |
| 第4章 基于粒子滤波的锂离子电池RUL预测 | 第28-36页 |
| 4.1 粒子滤波原理 | 第28-31页 |
| 4.1.1 最优贝叶斯估计 | 第28-29页 |
| 4.1.2 抽样 | 第29-30页 |
| 4.1.3 重采样 | 第30-31页 |
| 4.2 粒子滤波的锂离子电池经验退化模型 | 第31-32页 |
| 4.3 实验设计与结果分析 | 第32-34页 |
| 4.4 本章总结 | 第34-36页 |
| 第5章 基于RVM的锂离子电池RUL预测 | 第36-54页 |
| 5.1 相关向量机算法原理 | 第36-47页 |
| 5.1.1 相关向量回归 | 第36-37页 |
| 5.1.2 贝叶斯过程推理 | 第37-38页 |
| 5.1.3 超参数估计 | 第38-39页 |
| 5.1.4 EM训练算法 | 第39-45页 |
| 5.1.5 核函数 | 第45-47页 |
| 5.2 实验设计与结果分析 | 第47-51页 |
| 5.2.1 实验设计 | 第47-48页 |
| 5.2.2 电池RUL预测 | 第48-50页 |
| 5.2.3 实验结果分析 | 第50-51页 |
| 5.3 三种算法的对比分析 | 第51-53页 |
| 5.4 本章总结 | 第53-54页 |
| 第6章 总结与展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间学术成果 | 第60-62页 |
| 致谢 | 第62-63页 |
