史永胜，洪元涛，丁恩松，施梦琢，欧 阳

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

锂离子电池的剩余使用寿命(Remaining Useful Life，RUL)在电池管理系统中的重要性正在逐渐凸显出来。当前对于锂离子电池RUL 的预测方法越来越多，总体分为两类:基于模型的方法和数据驱动的方法。基于模型法的主流模型有电化学模型、等效电路模型和数学模型等。Liu 等人[1]基于容量衰减的电化学模型，提出了一种改进的锂离子电池退化模型。然后利用粒子滤波跟踪模型参数和状态的变化实现对RUL 的预测。等效电路模型利用电子元件组成的电路网络来等效电池的电气特性，已被广泛用于电池状态的估计[2]。Guha 等人[3]基于分数阶等效电路模型(FOECM)得到锂离子电池的电化学阻抗谱(EIS)，然后将EIS 代入粒子滤波框架中的回归模型预测出电池的RUL。这类方法依赖准确而复杂的电池容量退化模型，增加了建模难度和计算复杂度[4]。另一类利用大数据预测电池RUL 的方法并不需要电池内部详细的老化机理，因此这类方法在研究预测问题上逐渐受到关注[5]。基于数据驱动的方法通常使用监测数据来拟合变量退化模型，并通过将变量外推到故障阈值来计算RUL。韦海燕等[6]通过将电池的容量数据作为新陈代谢灰色粒子滤波(MGM-PF)算法的输入来进行电池RUL 的预测。庞晓琼等[7]提出了一种结合主成分分析(PCA)特征融合与非线性自回归(NARX)神经网络的锂离子电池RUL 间接预测框架，并结合实验数据验证了该框架的较强适用性。……