史永胜，施梦琢✉，丁恩松，洪元涛，欧 阳

1) 陕西科技大学电气与控制工程学院，西安 710021 2) 江苏润寅石墨烯科技有限公司，扬州 225600

锂离子电池在长期的使用过程中，伴随着充放电循环次数的增多，电池内部发生了一些不可逆的化学反应，导致内阻增大，性能衰退[1-4].可靠的寿命预测技术不仅可以更加有效地使用电池，更能降低故障发生率[5].锂离子电池的剩余使用寿命（Remaining useful life，RUL）即在一定的工作条件下，电池从全新开始到寿命终止（End of life,EOL）所经历的充放电循环周期数，一般容量衰减20%达到EOL.

目前对于锂离子电池寿命预测的方法主要分为模型法和数据驱动法，基于模型法的锂离子电池预测技术已经较为成熟[6].目前数据驱动的预测方法依旧是主流，基于数据驱动方法能够在不建立复杂电池模型的基础上探索电池外部参数和内部状态之间的关系[7].Yun与Qin[8]利用了充放电时间来评价锂离子电池的健康状态，并利用贝叶斯方法对锂电池健康状态评估.如Park等[9]考虑了使用电压、电流、温度、充电曲线等多个测量数据，并结合长短期记忆（Long short term memory，LSTM）算法构建了锂离子电池寿命预测模型.熊瑞等[10]利用长短期记忆递归神经网络（LSTMRNN）学习了锂离子电池容量退化的长期依赖性.韦海燕等[11]建立了基于线性优化重采样粒子滤波（LORPF）的锂离子电池RUL预测方法，其预测误差小于5%.但是因为部分电池有严重的容量重生现象，因此很难准确追踪电池容量退化趋势.

针对锂电池寿命衰退过程存在的……