宁青菊， 施梦琢， 史永胜， 丁恩松， 洪元涛， 欧 阳

(1.陕西科技大学 材料科学与工程学院, 陕西 西安 710021； 2.陕西科技大学 电气与控制工程学院， 陕西 西安 710021； 3.江苏润寅石墨烯科技有限公司， 江苏 高邮 225600)

0 引言

随着绿色能源行业的发展，锂离子电池因其许多优点受到了广泛的关注，高功率密度、低自放电率、循环寿命长[1]等.然而，锂离子电池在使用过程中其内部复杂的物理化学反应会导致电池性能退化，其输出电压、可用容量可能无法满足用电系统的能源需求，这将导致设备或系统故障，甚至造成灾难性后果[2].因此，准确可靠的评估锂离子电池的退化状态，为电池组的维护和使用提供参考，对维护电池系统安全可靠运行具有重要的意义.

目前，针对锂离子电池剩余寿命(Remaining Useful Life,RUL)预测的方法主要分为三种，分别为模型法、数据驱动方法和混合方法[3].文献[4]提出的模型使用了Bulter-Volmer动力学方程计算副反应速率和膜电阻增量，所开发的模型可以预测电池寿命，但是忽略了电解质中锂离子迁移，因此只能在低充放电电流下使用.这种基于模型的方法可以很好地反映锂离子电池电化学和物理特性，解释电池老化问题，但是建模和计算复杂.而数据驱动方法因其具有的灵活性和易操作在锂离子电池的RUL预测中占据主流，这种方法不需要复杂的建模过程，如使用支持向量机[5]、神经网络[6]、极限学习机[7]、相关向量机[8]等方法构造非线性映射关系以预测锂离子电池RUL.混合方……