研究背景及意义

随着锂离子电池的应用领域越来越广泛,其健康状态的管理成为重要的研究领域。作为一种复杂的电化学系统,锂离子电池的容量会随着充放电周期次数的增加而退化,当其退化锂离子电池的失效阈值时,认为此时锂离子电池的寿命达到终结状态。因此,锂离子电池的剩余寿命(Remaining Useful Life,简称RUL)预测成为健康管理中的重要研究内容,获得了普遍重视。近年来,多种方法应用于锂离子电池剩余寿命预测,以期达到提升RUL预测精度。如何准确的描述容量的退化一直是锂离子电池RUL预测的关键,在基于模型驱动的方法中,常用的模型是循环周期数与容量之间的多项式模型和指数模型,以及后来出现的放电时间与容量之间的双指数模型,但是这些模型都将容量的退化看成是一个平滑的曲线,无法准确的描述出容量退化过程中出现的自充电现象。近年来越来越多模型的建立是基于寻求锂离子电池中的其他健康因子与容量之间的关系,作为其建模的依据,但是至今也没有一个比较适合的模型描述容量的退化。

随着社会的发展,我们越来越注重保护日常的生活环境,渐渐的绿色出行成为人们出行时首选的代步方式,所以电动汽车慢慢的走进了我们的世界。锂电池作为组成电动汽车的主要动力元件,准确了解电池内部工作状态,实时的监控电池是否处于正常的工作环境问题是本课题研究的主要内容,我们可以通过估计锂电池的健康状态(SOH)反应电池是否健康工作,只有准确的估计电池的健康状况才能保证人们的出行安全。

锂离子电池以其优越的性能被广泛应用于各个领域，但其自身仍存在安全性和可靠性问题，故应用中需对锂离子电池的工作状态进行在线监测和综合管理。作为一种复杂的电化学系统，锂离子电池的性能会随着使用逐渐退化。但是，在实际应用中，表征其退化状态的容量或阻抗参数很难直接监测，论文以熵值理论为基础，提取锂电池的性能退化表征的健康因子，从而为锂离子寿命管理应用提供一种新颖的技术研究思路。

国内外研究现状

混合万有引力基本万有引力搜索算法是由 Rashedi 人首先提出的，是一种基于万有引力定律进行寻优的智能优化方法。算法将优化问题的解视为一组在空间运行的物体，物体之间通过万有引力作用相互吸引，万有引力的作用使得物体朝着质量最大的物体移动，而质量最大的物体占据最优位置，从而可求出优化问题的最优解。算法通过个体间的万有引力相互作用实现优化信息的共享，引导群体向最优解区域搜索。实验表明算法具有较强的全局探索能力，但局部搜索能力较弱，易陷入局部极值，寻优能力可进一步改善。

2009 年，伊朗克曼大学的教授 Esmat Ｒashedi 等［1－ 2］提出了一 种 新 的 启 发 式 优 化 算 法———万 有 引 力 搜 索 算 法( Gravitational Search Algorithm，GSA) 。GSA 中的搜索粒子是一组在空间运行的物体，物体间通过万有引力作用相互吸引，物体的运动遵循动力学规律。由于万有引力的作用会使物体们朝着质量最大的物体移动，而质量最大的物体占据最优位置，从而求出优化问题的最优解。GSA 通过个体间的万有引力相互作用实现优化信息的共享，引导群体向最优解区域展开搜索。在该算法中，每个物体均包含 4 个特征: 位置、惯性质量、主动引力质量和被动引力质量，物体的位置就是问题的解。

动力锂离子电池等效电路模型，这个模型包含了两个单独的电路，它们之间是通过电压控制电压源和电流控制电流源联系起来的。其中一个电路表示电池的容量、自放电、容量衰减，另一个电路用两个串联电阻和两个RC电路表示电池内阻和瞬时响应。该电池模型是在文献[2]的基础上增加了一个串联电阻 Rcycle，用它来摸拟由于电池循环使用造成电池内阻的增量。该模型中其他电路元件物理含义是：RSeries为电池本的内阻，模拟电池输出电压瞬时压降；ibatt为电池负载电流，用电流源来模拟；Rself_discharge和 Rcap_fade与 Ccapacity并联来模拟电池自放电、电池容量修正因子和电池实际容量；Rtransiant_S,Rtransiant_L模拟 极化电阻，Ctransiant_S和Ctransiant_L模拟极化电容，在模型中组成两个 RC 电路模拟电池的瞬时响应。该模型是在原有的等效电路模型上加入了循环电阻 Rcycle，同时考虑了温度 、老化和循环次数这三个因素的影响。因为温度对电池剩余容量的影响较大，随着温度升高，动力锂离子电池的放电容量增加，反之则下降。随着动力锂离子电池的老化，电池的实际容量在逐步衰减。由于动力锂离子电池循环内阻与它本身的循环次数成正比关系。动力锂离子电池的容量损失分为可逆容量损失和不可逆容量损失，可逆容量损失在电池经过充电时可以自行恢复，而不可逆容量损失经过充电是不可能自行恢复的，他是由于电池温度、循环次数、老化等因数造成的。

高斯过程及其回归算法

1. 将高斯过程应用于边坡角设计，结果表明，该方法对处理非线性问题呈现出较好的适应性，其估计输出具有概率意义，且预测平均相对误差仅为1.87%，完全满足工程需求。

（2）基于相加组合核函数的 GPR网络预测和泛化能力比单一核函数效果更好，与传统的 SVR 相比，其预测的平均误差、均方误差和最大相对误差都较小，预测值同实测值之间的离散程度更小，同时核函数超参数具有明确的物理意义。