锂电池管理系统SOC状态估计的研究
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 概述 | 第8页 |
| 1.2 课题研究背景与意义 | 第8-10页 |
| 1.3 课题国内外研究现状 | 第10-12页 |
| 1.4 论文主要研究工作及章节安排 | 第12-14页 |
| 第二章 锂电池参数及状态估计技术 | 第14-28页 |
| 2.1 SOC研究基础 | 第14-17页 |
| 2.1.1 电池SOC的定义及其影响因素 | 第14-15页 |
| 2.1.2 SOC估计方法的对比 | 第15-17页 |
| 2.2 锂电池SOC估计模型 | 第17-20页 |
| 2.2.1 电池SOC估计建模 | 第18-19页 |
| 2.2.2 电池系统模型参数辨识 | 第19-20页 |
| 2.3 基于扩展卡尔曼滤波算法的锂电池SOC估计 | 第20-25页 |
| 2.3.1 卡尔曼滤波器 | 第20-22页 |
| 2.3.2 扩展卡尔曼滤波器 | 第22-24页 |
| 2.3.3 基于EKF算法的电池SOC估计过程 | 第24-25页 |
| 2.4 实验与结果分析 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于BP优化粒子滤波的SOC估计 | 第28-40页 |
| 3.1 粒子滤波算法 | 第28-32页 |
| 3.1.1 贝叶斯状态估计 | 第28-30页 |
| 3.1.2 粒子滤波基本思想 | 第30-31页 |
| 3.1.3 粒子滤波的不足 | 第31-32页 |
| 3.2 BP神经网络 | 第32-33页 |
| 3.3 基于BP优化粒子滤波的SOC估算 | 第33-35页 |
| 3.3.1 利用BP网络调整粒子权值 | 第33-34页 |
| 3.3.2 算法实现锂电池SOC估计流程 | 第34-35页 |
| 3.4 实验与结果分析 | 第35-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于参数优化支持向量机的SOC估计 | 第40-54页 |
| 4.1 支持向量机的研究 | 第40-43页 |
| 4.1.1 支持向量机理论 | 第40-42页 |
| 4.1.2 支持向量回归分析 | 第42页 |
| 4.1.3 参数对支持向量机的影响 | 第42-43页 |
| 4.2 基于参数优化支持向量机的SOC估计 | 第43-46页 |
| 4.2.1 模型建立 | 第43-44页 |
| 4.2.2 数据预处理 | 第44-45页 |
| 4.2.3 参数选择 | 第45-46页 |
| 4.3 算法实现流程 | 第46-47页 |
| 4.4 实验与结果分析 | 第47-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 锂电池管理系统的设计 | 第54-59页 |
| 5.1 锂电池管理系统物理结构 | 第54-55页 |
| 5.2 锂电池管理系统硬件架构 | 第55-56页 |
| 5.3 锂电池管理系统软件架构 | 第56-57页 |
| 5.4 系统功能模块 | 第57-58页 |
| 5.4.1 电池端 | 第57-58页 |
| 5.4.2 电池管理服务器端 | 第58页 |
| 5.5 本章小结 | 第58-59页 |
| 总结与展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第65页 |
