聲明

致謝

摘要

英文摘要

目錄

1．1．1研究背景

1．1．2研究意義

1．2國內(nèi)外研究現(xiàn)狀

1．2．1基于測量的方法

1．2．2基于模型的方法

1．2．3基于數(shù)據(jù)驅(qū)動的方法

1．2．4存在不足

1．3主要內(nèi)容及技術(shù)路線

1．3．1主要內(nèi)容

1．3．2技術(shù)路線圖

2電池健康狀態(tài)衰退原理

2．1．1基本結(jié)構(gòu)

2．1．2工作原理

2．1．3主要性能參數(shù)

2．1．4健康狀態(tài)的定義

2．2電池老化理論

2．2．1老化機(jī)理

2．2．2影響因素

2．2．3理論總結(jié)

2．4本章小結(jié)

3電動汽車數(shù)據(jù)預(yù)處理

3．1電動汽車數(shù)據(jù)介紹

3．2數(shù)據(jù)預(yù)處理

3．2．1缺失值的處理

3．2．2異常值的處理

3．3參考容量計算

3．3．1充放電片段的提取

3．3．2電池剩余容量計算

3．3．3基于S-G濾波算法的參考容量平滑

3．4輸入特征提取

3．4．1一階特征提取

3．4．2二階特征提取

3．4．3表征特征提取

3．5特征相關(guān)性結(jié)果展示

3．6本章小結(jié)

4基于集成學(xué)習(xí)的電池健康狀態(tài)估計模型構(gòu)建

4．1集成學(xué)習(xí)基本原理

4．2基于隨機(jī)森林算法的電池健康狀態(tài)預(yù)測

4．2．1算法原理

4．2．2實例驗證

4．3基于XGBoost算法的電池健康狀態(tài)預(yù)測

4．3．1算法原理

4．3．2實例驗證

4．4．1算法原理

4．4．2實例驗證

4．5結(jié)果分析與比較

4．6本章小結(jié)

5基于改進(jìn)LSTM網(wǎng)絡(luò)的電池健康狀態(tài)估計模型構(gòu)建

5．1LSTM神經(jīng)網(wǎng)絡(luò)原理

5．1參數(shù)優(yōu)化

5．1．1優(yōu)化器與損失函數(shù)

5．1．2輸入特征優(yōu)化

5．2基于WOA-LSTM-Attention神經(jīng)網(wǎng)絡(luò)的模型建立

5．2．1注意力機(jī)制

5．2．2鯨魚優(yōu)化算法

5．2．3實例驗證

5．3模型對比驗證

5．4本章小結(jié)

6．1論文總結(jié)

6．2研究創(chuàng)新點

6．3研究展望

參考文獻(xiàn)

學(xué)位論文數(shù)據(jù)集

相關(guān)知識

電動汽車鋰離子動力電池健康狀態(tài)估計方法研究.pdf
基于實車運行數(shù)據(jù)的鋰離子電池健康狀態(tài)估計
基于動態(tài)工況模型誤差特征的動力電池健康狀態(tài)估計方法
基于實車行駛數(shù)據(jù)的某型號純電動汽車健康狀態(tài)模型研究
學(xué)院在動力電池健康狀態(tài)估計研究領(lǐng)域取得新進(jìn)展
電動汽車動力電池健康狀態(tài)在線動態(tài)估算方法
基于深度遷移學(xué)習(xí)的健康意識汽車電池狀態(tài)估計,Applied Energy
燃料電池健康狀態(tài)(SOH)估計及整車能量管理策略研究
合眾新能源申請電動汽車電池健康狀態(tài)評估相關(guān)專利，提升電動汽車的電池健康狀態(tài)評估效率
電動汽車鋰離子電池健康狀態(tài)估計及容量衰退預(yù)測

網(wǎng)址: 基于數(shù)據(jù)驅(qū)動的電動汽車電池健康狀態(tài)估計研究 http://www.u1s5d6.cn/newsview1293384.html