陈则王，李福胜，林 娅，杨 柯，王友仁

(南京航空航天大学 自动化学院，江苏 南京 211106)

1 引 言

锂离子电池具有贮存寿命长、开路电压高(平均 3.7 V)、自放电率低(平均每年低于20%)、工作温度范围宽、零污染和安全性能好等优越性能[1,2]，在导弹、鱼雷等军用设备，飞机、航天器等空天设备以及电动汽车、电站储能系统等领域被大量的使用。因此，准确估计出电池剩余寿命，实时掌握电池寿命状态信息，及时更换失效电池，对上述提及的应用来说至关重要。

现有的国内外锂电池剩余使用寿命(remainning useful life，RUL)预测方法通常分为两大类。一是基于模型的方法，即通过建立一个数学模型来表示锂电池性能退化的过程;基于模型的RUL预测方法可进一步分为退化机理模型、等效电路模型和基于经验模型3类方法。然而，由于锂离子电池的电化学行为运行机理十分复杂，易受外部条件比如运行工况的变化、意外碰撞以及温度变化的干扰，要构建准确的数学或者物理模型比较困难。二是基于数据驱动的方法[3]，该方法首先通过各种测量手段获得电池在运行工况下的性能退化数据，然后通过对性能退化数据分析，找寻电池性能退化的规律，根据性能退化规律来预测电池的剩余使用寿命，如卡尔曼滤波算法[4]、AR(auto-regressive)一类时间序列模型[5]、人工神经网络[6]、支持向量机[7]、相关向量机[8]、高斯过程回归[9]等方法。数据驱动方法无需深入了解锂电池内部机理，只需要对电池内部退化机理有定性的认识，避免了对电池内部复杂的退化机理进行过多的研究。……