李 鹏，李立伟，杨玉新

(1青岛大学电气工程学院；2青岛大学威海创新研究院；3青岛大学图书馆，山东 青岛 266071)

近年来，锂电池因其高功率承受力、高能量比、高额定电压、低自放电率及绿色环保等特点，广泛应用于航空航天、电动汽车、智能电网等领域。在实际使用过程中，锂电池会随着充放电循环发生性能劣化现象[1]。电池的健康状态(state of health，SOH)是衡量性能劣化程度的直接指标，研究锂电池的健康状态有助于及时更换性能劣化的单体电池，使整个电池组工作在最佳状态。

目前提出的SOH 估计方法主要有三种：①实验估计法，如容量测量法、电阻测量法、差分分析法；②基于模型的自适应滤波法，如卡尔曼、粒子滤波、最小二乘法；③数据驱动法，如人工神经网络、支持向量回归。其中，粒子滤波简单易实现，而且不受线性约束误差和噪声约束条件的影响，适用于分析非线性、非高斯的系统，在SOH 估计领域得到广泛应用[2]。但粒子滤波也存在着一些缺陷，例如部分粒子的权值会随迭代次数增大，多次迭代后只剩下极少数大权值的粒子，即粒子权值退化现象；而采用重采样法复制大权值粒子来解决权值退化问题，又会使得部分有效样本遗失，降低了采样粒子的多样性，导致粒子样本贫化[3]。因此，大量学者通过不同的策略对传统的粒子滤波进行改进。吕佳志等[4]提出通过无迹变换将粒子转移，一定程度上改善了粒子权值退化问题。刘刚等[5]提出结合权值选优的粒子滤波算法，该算法基于动态分簇结构的特点，利用簇和簇之间的传递关系来改善粒子分布，但没有解决样本贫化问题。……