陈德海 马 原 潘韦驰

(江西理工大学电气工程与自动化学院 江西 赣州 341000)

0 引 言

锂离子电池作为一种可二次使用的供电能源，在民用、军事等领域被广泛使用[1]。实际使用中，锂电池容量会随着使用环境变化而有所改变，从而影响设备的性能，甚至引发严重的安全事故[2]。因此，准确估计锂电池在实际工况中的容量变化对研究电池健康状态(SOH)、荷电状态(SOC)[3-4]及预测其剩余使用寿命(RUL)有着至关重要的意义。

电池额定容量指的是在一定的放电条件(一定沉度、一定的电流密度和终止电压)，电池所能放出的最小电量。在实际工况下电池额定容量的预测会受到多种因素影响(环境温度、湿度等)，需要将其与电池健康状态(SOH)及剩余寿命(RUL)进行联合分析[5]。目前，电池额定容量预测的方法大致可分为3类：第一类，基于物理失效[6]的方法，依附于电池材料属性等建立模型。该方法无需大量数据，但此模型易受噪声和环境干扰，难以跟踪负载动态特性，动态精度较差。第二类，模型驱动[8]的预测方法。分析处理数据，依据图像或下降趋势，建立相对应的数学模型，该方法特征适应能力差，且依赖个人经验。第三类，数据驱动[7]法是对电池额定容量进行预测的主要方法。该方法是在统计学和数据挖掘等理论指导下，借助神经网络等机器学习算法，建立输入与输出变量间的关系模型。该方法具有一定的自适应性。但传统数据驱动模型的第一个弊端是，需要选取能显著反映模型特征的因素提高预测精度，如容量[9]、阻抗[10]等，但这类参数的获取较为困难，而能够直接测量的参数(电流、电压[11-12]等)维度较高，易受干扰产生误差。……