基于数据的电动汽车动力电池剩余电量在线估计算法的研究

目录

声明

第一章 绪论

1.1 课题研究背景及意义

1.2 国内外发展现状

1.2.1 动力电池模型研究现状

1.2.2 动力电池SOC估算研究现状

1.3 论文研究内容及结构

第二章 电池数据及电池实验平台设计

2.1 引言

2.2 电池实验平台介绍

2.3 实验数据生成

2.4 本章小结

第三章 基于自回归模型的扩展卡尔曼滤波SOC估算方法

3.1 引言

3.2 电池模型

3.2.1 时间序列分析AR模型

3.2.2 基于黑箱结构的电池模型

3.2.3 AR-EKF算法中观测方程线性化

3.3 基于AR-EKF的SOC估计算法

3.4 实验对比及分析

3.4.1 理想状态下的仿真分析

3.4.2 噪声环境下的仿真分析

3.4.3 电池模组实验验证

3.5 本章小结

第四章 基于动态参数辨识的粒子滤波SOC估算方法

4.1 引言

4.2 电池模型及参数辨识

4.2.1 电池模型观测方程

4.2.2 离散化状态空间方程

4.2.3 模型参数辨识

4.3 基于粒子滤波的SOC估算算法

4.4 仿真实验验证

4.4.1 理想状态下的仿真分析

4.4.2 噪声环境下的仿真分析

4.3 本章小结

第五章 基于改进无迹粒子滤波的SOC估计算法

5.1 引言

5.2 电池模型及参数辨识

5.2.1 模型参数辨识

5.3 改进的GA-UPF的SOC估计算法

5.4 仿真与验证

5.4.1 基于改进GA辨识的电池参数特性分析

5.4.2 理想状态下的仿真分析

5.4.3 噪声环境下改进GA-UPF算法验证

5.5 本章小结

第六章 基于自适应无迹卡尔曼滤波的SOC估算方法

6.1 引言

6.2 电池模型及参数辨识

6.2.1 电池模型

6.2.2 基于LGA_PSO算法的参数辨识

6.3 基于AUKF的SOC估算方法

6.3.1 标准无迹卡尔曼滤波算法

6.3.2 基于网格优化策略的自适应无迹卡尔曼滤波算法

6.4 实验验证及结果分析

6.4.1 参数辨识结果及其分析

6.4.2 AUKF算法精度分析

6.4.3 AUKF算法鲁棒性分析

6.4.4 AUKF算法时间复杂度分析

6.4.5 AUKF算法稳定性验证

6.5 本章小结

第七章 总结与展望

7.1 工作总结

7.2 工作展望

参考文献

发表论文及参加科研情况

致谢