陈 万， 蔡艳平， 苏延召， 姜 柯， 黄 华

(火箭军工程大学，陕西 西安 710025)

0 引 言

锂离子电池在实际应用中的安全问题一直是人们关注的焦点[1-3]，而预测与健康管理（prognostics and health management，PHM）技术能够有效监控锂离子电池的健康状态，提高电池工作时的安全性。其中准确的剩余寿命（remaining useful life，RUL）预测是实现PHM的基础，因此成为当前研究的热点。

基于上述问题，本文提出了一种随机扰动无迹粒 子 滤 波 （ randomly perturbed unscented particle filter, RP-UPF）算法，首先采用UKF算法获得的建议分布来产生PF算法的粒子集，然后采用随机扰动重采样算法优化PF的重采样过程。改进算法相对于基本PF的优势在于：一定程度上克服了PF粒子退化和粒子多样性不足的问题；在进行重采样时，只对保留下来的有效粒子进行处理，一定程度上减小了算法的计算量。在此基础上构建了基于RPUPF的锂离子电池RUL预测方法，实现了锂离子电池RUL预测。

1 标准PF原理及其改进

1.1 标准PF及其不足

PF算法是一种基于蒙特卡洛仿真的近似贝叶斯滤波算法，核心思想是用一些离散的采样点近似随机系统的概率密度函数，以样本均值代替积分运算，从而获得状态的最小方差估计[12]。其实现过程有为：初始化、重要性采样、权重更新及归一化、重采样、状态估计，其中重要性采用和重采样对PF算法的性能影响最大。重要性采样是将粒子集带入重要性函数来更新粒子集，而对于标准PF来说，重要性函数一般选择先验密度。重采样是通过对样本进行采样，大量复制权重较高的粒子，淘汰权重较低的粒子，常用的重采样方法有随机重采样、多项式重采样、系统重采样和残差重采样。……