刘 芳， 刘欣怡， 苏卫星， 林 辉

(1.天津工业大学计算机科学与技术学院，天津 300387；2.北京矿冶科技集团有限公司采矿冶金过程自动化国家重点实验室/北京矿冶过程自动化重点实验室，北京 100160；3.天津清源电动车辆有限责任公司，天津 300462；4.东软睿驰汽车技术(沈阳)有限公司，辽宁沈阳 110179)

锂离子电池具有绿色环保、寿命长等优势而广泛应用于各个领域[1]，如新能源汽车领域.但电池在使用过程中，会出现内阻增加、可用容量减少等老化现象[2]，严重影响电池管理系统对SOC，SOF的估算精度[3].因此，准确在线估计电池的SOH对优化电动汽车的整车控制策略有着重要而深远的意义[4].

为此，针对动力电池的SOH估算问题，近几年提出了许多方法，大致分为以下几种：如电化学阻抗谱法(electrochemical impedance spectroscopy，EIS)[5]，此类算法通过探寻电池老化过程中所表现出的特征参量的改变，建立特征量与电池健康状态之间关系以实现SOH估算.优点在于以特征量表征SOH，解决了直接估算的困难，但测量特征量过程比较复杂，以至于采用EIS方法实现SOH在线估算还需要进一步研究.与之相对立的算法，如以神经网络为代表的黑箱估计算法[6]及适合小样本建模的SVM[7]等，其优点在于无需了解动力电池内部机理结构及寿命衰减规律.但需要电池试验测得的寿命相关样本数据离线构建预测模型[8]，考虑目前电池的一致性问题，使得此类黑箱估算方法在进行离线建模时很难表征动力电池的实际情况.而以容量增长曲线法(incremental capacity analysis，ICA)[9]、概率密……