南金瑞， 孙路

(1. 北京理工大学 电动车辆协同中心，北京 100081； 2. 北京理工大学 机械与车辆学院，北京 100081)

不断持续的能源危机和环境保护问题促使着电动汽车技术的更新迭代[1-2]. 锂离子电池以其高能量密度、低自放电率和循环寿命长等优点作为动力电池为电动汽车提供动力. 电池健康度(state of health, SOH)这一指标来表示锂电池的老化程度，通过对SOH的实时估计和预测，可以保障电池包整体的充、放电性能[3].

目前，对于锂电池SOH估计主要有两方面：基于模型的方法从锂电池自身的衰退机理出发对电池进行建模[4]，利用等效电路模型能够在一定精度范围内对电池SOH进行估计，经验衰退模型基于大量数据，用数据拟合的方式构建锂离子电池在使用过程中容量衰退随循环周期的函数模型，此方法对样本数据的波动敏感，预测结果容易发散[5]；基于数据驱动模型包括人工神经网络、时间序列模型、支持向量机等. Rezvani等[6]建立阻抗与容量关系模型，在数据量足够时效果良好,但是在数据量较小的时候误差较大； Luo等[7]应用非线性优化方法确定模型参数以构建SOH估计模型，虽然实时性较好,但是误差较大. 董汉成等[8]应用粒子滤波算法对电池SOH进行估计，虽然精度较高，但是模型收敛速度慢.

1 实际工况锂电池SOH估计模型初值计算

1.1 特征值提取

恒流恒压(CCCV)充电过程的电流、电压曲线可以提取多种反映电池老化状态的特征值，比如恒流段时间、恒压段时间等. 在这里选择NASA电池老化试……