徐东辉，石本改，徐丽琴，叶雪强，王丽娜

(1.南昌师范学院数学与计算机科学系，江西 南昌 330032；2.广东机电职业技术学院汽车学院，广东 广州 510550； 3.长沙理工大学汽车与机械工程学院，湖南 长沙 410076)

锂电池具有环保、比能量大及无记忆效应等诸多优点，目前锂离子电池广泛应用于新能源电动汽车[1]。然而锂离子电池在使用中受其健康状态(SOH)、功率状态(SOP)及荷电状态(SOC)等影响，有时会导致灾难性的事故发生，因此精确预测SOH、SOC等状态量对于提高锂离子动力电池的使用安全性具有重大的现实意义[2-3]。

目前针对SOH的研究主要为数据驱动方法。徐元中等[4]针对BP网络权值存在局部最优的缺陷，采用模拟退火算法(SA)优化BP权值，使其达到全局最优，通过试验仿真有效验证了该算法可以有效提高锂离子动力电池的SOH预测精度。张任等[5]提出了基于粒子群优化RBF神经网络的预测算法，建立了电池的热力学模型和等效电路模型，提取影响锂离子电池SOH的关键参数，并对关键参数进行在线实时辨识，结果显示预测精度比BP神经网络提高了20%，时间也节省66.7%以上。潘海鸿等[6]通过构建表征电池性能衰退的健康指标(HI)，用极限学习机算法对健康指标进行训练和预测,实现了SOH的在线预测，并且预测误差没有超过2%。

上述SOH的算法在预测精度上都得到了有效提高，但很少从锂电池系统本身固有的非线性动力学混沌特性方面开展研究，并且所用到的数据样本大多为一维状态空间的时间序列或者单变量数据样本，数据样本包含的信息比较单一，不够全面。……