李练兵，李思佳，李 洁，孙 坤，王正平，杨海跃，高 冰，杨少波

（1河北工业大学省部共建电工装备可靠性与智能化国家重点实验室；2河北工业大学人工智能与数据科学学院，天津 300130；3国网河北省电力有限公司衡水供电公司，河北衡水 053099；4国网河北省电力有限公司电力科学研究院，河北石家庄 050021）

锂离子电池广泛应用于新能源汽车、电站储能等领域，其可靠性和使用寿命是人们关注的焦点[1]。精准预测锂离子电池剩余使用寿命(remaining useful life，RUL)对于及时维护电池有重要意义和价值[1-2]，锂离子电池RUL 预测研究已得到广泛关注和重视。

目前，锂离子电池RUL 预测的方法主要分为模型法和数据驱动法。模型法包括电化学模型法[2]、等效电路模型法[3]和经验老化模型法[4-6]。电化学模型法[2]模拟电池充放电工作过程，分析电池容量退化的影响因素，进而预测电池寿命。等效电路模型[3]利用电器元件搭建可代替电池的等效电路，简单直观、模型容易实现。经验老化模型法[4-6]不需要对电池充放电机理进行分析，只需参照电池的数学模型来预测电池RUL。模型法不能同时考虑环境和负载特性对电池容量退化的影响，无法实现精准建模。数据驱动法不需要分析电池电化学反应和电池容量退化机理，且复杂度低、运行时间短，因此，大部分研究使用数据驱动法预测电池RUL。电池RUL 预测的数据驱动法主要包括支持向量机(support vector machine，SVM)[7]、长短时记忆网络(long short-term memory，LSTM)[8]、Elman 神经网络[9]等方法。文献[7]采用Warelet 降噪去除电池容量衰减数据中的噪声，并基于SVM 对电池RUL 进行预测，使用改进的鸡群算法对SVM 参数进行优化，预测误差低于2%。……