當(dāng)今世界正面臨日趨嚴(yán)重的兩大問題:能源短缺與環(huán)境惡化。尋找基于低碳能源的,更綠色、更高效的交通運(yùn)輸方案已成為社會研究熱點(diǎn)。作為交通運(yùn)輸?shù)闹匾M成部分,汽車行業(yè)迎來了發(fā)展與變革的新時期,推進(jìn)新能源汽車發(fā)展已經(jīng)成為了歷史必然選擇。作為電動汽車主要能量載體的動力電池不容置疑地成為新能源汽車研究與發(fā)展前沿。鋰離子電池由于其高能量密度、高輸出功率、循環(huán)性能好、無記憶效應(yīng)等優(yōu)點(diǎn)而成為電動汽車的首選能量載體。然而制造或使用過程中,各電芯之間存在不可忽視的個體差異,電芯差異性直接影響動力電池包的性能并將產(chǎn)生安全性問題。因此,對所有電芯進(jìn)行管理與控制的電池管理系統(tǒng)十分重要。電池電量狀態(tài)（State of charge,SOC）作為電池管理系統(tǒng)的核心參數(shù),其估算過程更是重中之重,已然成為新時代的研究熱點(diǎn)。本文以鋰離子電池為研究對象,搭建了實(shí)驗(yàn)平臺并對電池進(jìn)行多模擬工況特性測試,通過大量的實(shí)驗(yàn)分析并驗(yàn)證基于所研究的改進(jìn)型小波神經(jīng)網(wǎng)絡(luò)模型的SOC估算算法性能。本文主要內(nèi)容如下:1)開展了將離散小波變換與自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)相結(jié)合的混合型自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)的理論分析,并通過實(shí)驗(yàn)證明,基于混合型自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)的... 

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 電池管理系統(tǒng)
    1.3 SOC估算技術(shù)概述
        1.3.1 SOC估算的意義
        1.3.2 SOC估算研究現(xiàn)狀
    1.4 研究目標(biāo)與主要工作
        1.4.1 研究目標(biāo)
        1.4.2 主要工作
第2章 SOC估算模型的小波理論基礎(chǔ)
    2.1 小波分析的基本概念
    2.2 基于多分辨分析的測量信號特征提取原理
        2.2.1 多分辨分析基本概念
        2.2.2 小波級數(shù)、Mallat算法
    2.3 本章小結(jié)
第3章 小波神經(jīng)網(wǎng)絡(luò)SOC估算的基礎(chǔ)模型
    3.1 神經(jīng)網(wǎng)絡(luò)模型
        3.1.1 感知器模型
        3.1.2 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則
    3.2 小波神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型
        3.2.1 混合型小波神經(jīng)網(wǎng)絡(luò)
        3.2.2 多分辨小波神經(jīng)網(wǎng)絡(luò)
        3.2.3 自適應(yīng)型小波神經(jīng)網(wǎng)絡(luò)
    3.3 本章小結(jié)
第4章 改進(jìn)型小波神經(jīng)網(wǎng)絡(luò)SOC估算模型
    4.1 學(xué)習(xí)算法優(yōu)化
        4.1.1 粒子群優(yōu)化算法
        4.1.2 Levenberg-Marquardt算法
    4.2 混合型自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)SOC估算模型
    4.3 多層自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)SOC估算模型
        4.3.1 基于負(fù)梯度算法的訓(xùn)練過程
        4.3.2 基于Levenberg-Marquardt算法的訓(xùn)練過程
    4.4 本章小結(jié)
第5章 小波神經(jīng)網(wǎng)絡(luò)SOC估算特性分析與實(shí)驗(yàn)研究
    5.1 實(shí)驗(yàn)平臺
    5.2 多模擬工況電池特性測試
    5.3 小波神經(jīng)網(wǎng)絡(luò)在電池SOC估算的應(yīng)用及特性分析
        5.3.1 基于PSO或 L-M的自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)
        5.3.2 基于多層自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)
        5.3.3 基于混合型自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)
        5.3.4 基于混合型多層自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 工作展望
參考文獻(xiàn)
致謝
附錄A 一種基于云計(jì)算的電動汽車動力電池管理和監(jiān)控系統(tǒng)
個人簡歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文與研究成果


【參考文獻(xiàn)】：
期刊論文
[1]電動汽車鋰離子電池管理系統(tǒng)的關(guān)鍵技術(shù)[J]. 盧蘭光,李建秋,華劍鋒,歐陽明高.  科技導(dǎo)報(bào). 2016(06)
[2]基于先進(jìn)小波神經(jīng)網(wǎng)絡(luò)的HEV動力鋰離子電池SOC估計(jì)（英文）[J]. 付主木,趙瑞.  Journal of Southeast University（English Edition）. 2012(03)
[3]基于小波神經(jīng)的動力電池SOC估計(jì)的研究[J]. 于洋,紀(jì)世忠,魏克新.  電力電子技術(shù). 2012(06)
[4]電動汽車用電池SOC定義與檢測方法[J]. 麻友良,陳全世,齊占寧.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2001(11)

碩士論文
[1]電動汽車電池管理系統(tǒng)的研究與設(shè)計(jì)[D]. 馬貝貝.濟(jì)南大學(xué) 2016
[2]電動汽車鋰電池SOC估計(jì)研究[D]. 齊洋洋.重慶大學(xué) 2015
[3]基于神經(jīng)網(wǎng)絡(luò)的HEV動力鋰電池組能量管理策略[D]. 趙瑞.河南科技大學(xué) 2012
[4]基于改進(jìn)魚群算法的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化研究[D]. 張穎.華南理工大學(xué) 2012
[5]基于神經(jīng)網(wǎng)絡(luò)的電動汽車磷酸鐵鋰電池SOC估算方法研究[D]. 廖恩華.電子科技大學(xué) 2011
[6]小波神經(jīng)網(wǎng)絡(luò)與BP網(wǎng)絡(luò)的比較研究及應(yīng)用[D]. 馮再勇.成都理工大學(xué) 2007
[7]遞歸神經(jīng)網(wǎng)絡(luò)的研究及在非線性動態(tài)系統(tǒng)辨識中的應(yīng)用[D]. 張欣.太原理工大學(xué) 2005



本文編號：3669891