声明
摘要
第一章 绪论
1.1 研究背景
1.2 国内外研究现状
1.2.1 研究现状
1.2.2 落后电池检测
1.2.3 剩余荷电态预测
1.2.4 国内外应用现状和问题
1.3 待解决的问题
1.4 论文组织结构
第二章 VRLA蓄电池原理及特性分析
2.1 VRLA蓄电池工作原理
2.1.1 充放电反应原理
2.1.2 建立化学反应简单模型
2.1.3 VRLA蓄电池的副反应
2.2 VRLA蓄电池常见故障分析
2.2.1 负极不可逆硫酸盐化
2.2.2 失水
2.2.3 热失控
2.2.4 正极板腐蚀变形
2.2.5 自放电
2.2.6 电池组不均匀性
2.3 影响VRLA蓄电池的特征参数
2.3.1 VRLA蓄电池电压
2.3.2 VRLA蓄电池电流
2.3.3 VRLA蓄电池温度
2.3.4 VRLA蓄电池内阻
2.3.5 VRLA蓄电池容量
2.4 传统的蓄电池剩余荷电态检测方法
2.4.1 安时法
2.4.2 开路电压法
2.4.3 密度法
2.4.4 内阻法
2.4.5 人工算法
2.5 本章小结
第三章 VRLA蓄电池内阻
3.1 概述
3.2 VRLA蓄电池内阻模型
3.2.1 Rint模型
3.2.2 Thevenin模型
3.2.3 GNL模型
3.3 内阻测定方法
3.3.1 直流放电法
3.3.2 交流注入法
3.4 内阻特性分析
3.4.1 放电内阻特性
3.4.2 内阻与放电率
3.4.3 内阻与电池健康状态
3.4.4 内阻与额定容量
3.5 内阻与蓄电池荷电态相关性研究
3.5.1 荷电态定义
3.5.2 建立物理模型
3.5.3 两种物理模型预测结果
3.6 本章小结
第四章 VRLA蓄电池组健康状态(SOH)分类
4.1 概述
4.2 —种改进的K-means聚类分析方法
4.2.1 改进的K-means算法基本原理
4.2.2 改进K-means聚类算法实现步骤
4.3 改进K-means聚类对蓄电池组健康状态检测结果
4.3.1 样本初始值
4.3.2 电池分类结果
4.4 本章小结
第五章 VRLA蓄电池剩余荷电态(SOC)估测
5.1 概述
5.2 神经网络算法
5.2.1 神经网络理论概述
5.2.2 BP神经网络算法原理
5.2.3 用BP神经网络预测VRLA蓄电池荷电态
5.2.4 小结
5.3 支持向量机理论
5.3.1 小结支持向量机理论概述
5.3.2 最小二乘支持向量机算法原理
5.3.3 用最小二乘支持向量机预测VRLA蓄电池荷电态
5.3.4 小结
5.4 本章小结
第六章 VRLA蓄电池远程诊断与维护系统开发
6.1 VRLA蓄电池远程诊断与维护系统原型开发
6.2 VRLA蓄电池远程诊断与维护系统组成
6.2.1 集成式温度电压采集传感器
6.2.2 智能数据采集及监控终端
6.2.3 双通道电源保护器
6.2.4 IOCPServer
6.2.5 管理端
6.2.6 Webserver
6.3 总结
第七章 总结与展望
7.1 总结
参考文献
致谢
作者在攻读硕士学位期间发表的论文