动力锂电池组管理系统SOC估算研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 电池管理系统 | 第11-12页 |
| 1.2.2 SOC算法研究 | 第12-14页 |
| 1.3 本文的主要研究内容 | 第14-16页 |
| 第2章 安时积分法估算电池SOC | 第16-32页 |
| 2.1 安时积分参数修正 | 第16-25页 |
| 2.1.1 SOC定义 | 第16-17页 |
| 2.1.2 电池容量标定方法 | 第17-19页 |
| 2.1.3 充放电倍率的修正 | 第19-21页 |
| 2.1.4 温度的修正 | 第21-24页 |
| 2.1.5 电池寿命的修正 | 第24-25页 |
| 2.2 开路电压法 | 第25-27页 |
| 2.3 算法测试与误差分析 | 第27-31页 |
| 2.3.1 初始值确定恒流工况测试 | 第27-29页 |
| 2.3.2 初始确定变电流工况测试 | 第29-30页 |
| 2.3.3 初始不定变电流工况测试 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 扩展卡尔曼滤波法估算电池SOC | 第32-48页 |
| 3.1 卡尔曼滤波原理 | 第32-35页 |
| 3.1.1 线性卡尔曼滤波 | 第32-33页 |
| 3.1.2 扩展卡尔曼滤波 | 第33-35页 |
| 3.2 电池等效模型 | 第35-37页 |
| 3.2.1 Rint模型 | 第35-36页 |
| 3.2.2 戴维南模型 | 第36页 |
| 3.2.3 PNGV模型 | 第36-37页 |
| 3.2.4 Massimo Ceraolo模型 | 第37页 |
| 3.3 模型参数识别 | 第37-43页 |
| 3.4 算法测试与误差分析 | 第43-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 神经网络估算电池SOC | 第48-60页 |
| 4.1 神经网络基本原理 | 第48-50页 |
| 4.1.1 神经元 | 第48-49页 |
| 4.1.2 网络学习方法 | 第49-50页 |
| 4.2 遗传算法基本原理 | 第50-51页 |
| 4.3 利用遗传算法训练神经网络 | 第51-53页 |
| 4.3.1 网络结构设计 | 第51-52页 |
| 4.3.2 编码 | 第52页 |
| 4.3.3 适应度 | 第52-53页 |
| 4.3.4 遗传操作 | 第53页 |
| 4.4 算法实现与测试 | 第53-59页 |
| 4.4.1 网络表达相似性 | 第53-55页 |
| 4.4.2 权重浮点数编码的算法测试 | 第55-56页 |
| 4.4.3 权重增量编码的算法测试 | 第56-57页 |
| 4.4.4 网络离线测试 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 电池管理系统软件设计与实现 | 第60-74页 |
| 5.1 电池管理系统软件需求与架构 | 第60-64页 |
| 5.1.1 软件需求分析 | 第60-62页 |
| 5.1.2 主控单元软件设计 | 第62-64页 |
| 5.2 电池信息管理模块设计 | 第64-67页 |
| 5.2.1 电池信息采集 | 第64-66页 |
| 5.2.2 电池信息处理 | 第66-67页 |
| 5.3 通信模块设计 | 第67-68页 |
| 5.4 监控显示模块设计 | 第68-70页 |
| 5.4.1 基于CAN通信的安卓系统方案 | 第68-69页 |
| 5.4.2 基于RS232的上位机方案 | 第69-70页 |
| 5.5 电池SOC估计算法评测与优化 | 第70-72页 |
| 5.5.1 执行效率 | 第70页 |
| 5.5.2 估算精度 | 第70-71页 |
| 5.5.3 算法可维护性 | 第71-72页 |
| 5.5.4 算法优化 | 第72页 |
| 5.6 本章小结 | 第72-74页 |
| 结论 | 第74-75页 |
| 参考文献 | 第75-82页 |
| 致谢 | 第82页 |
