随着锂离子电池在航天航空、新能源汽车、民用发电等多领域应用的推广,保障锂电池在复杂工况环境下使用的安全性和可靠性成为锂电池领域研究的热点问题。研究人员使用锂电池健康状态(State of Health,SOH)间接表示电池当前的性能,准确估计锂电池SOH,评价锂电池的健康状态显得十分重要。为解决上述问题,本文针对建立高精度锂电池SOH预测模型做了如下的研究工作:(1)以锂电池结构和工作原理为理论基础,深入阐述锂电池的老化机制,分析锂电池SOH衰退的主要原因;以18650型钴酸锂电池单体为研究对象,搭建高精度锂电池测试平台;从锂电池老化参数的测试角度入手,设计锂电池老化特性测试实验,主要包括:预处理循环实验、可用容量实验、加速老化实验和脉冲功率特性(Hybrid Pulse Power Characteristic,HPPC)测试实验。利用实验采集锂电池老化特性数据,为锂电池SOH估计算法建立数据库。(2)从结构复杂度、仿真精度和构建难度对比分析目前锂电池模拟仿真中常用的几类电池模型,最终确定Thevenin等效电路模型作为本文的研究模型;通过HPPC实验分析锂电池电压变化,完成模型参数辨识。为验证建立模型的精度,通过Matlab中的Simscape模块建立仿真模型进行对比;对比分析采样周期和电流倍率对Thevenin模型精度的影响,通过实验验证,提出一种在0.05s采样周期、1.5C充放电电流倍率条件下的改进HPPC实验方法;深入研究锂电池老化特性数据,定量分析欧姆内阻、极化内阻、循环次数与锂电池SOH间的关联程度,确定锂电池SOH估计的特征输入值。(3)采用BP神经网络和支持向量机回归算法(support vector regression,SVR)实现对锂电池SOH的估计。通过对比分析两种算法在不同训练样本数量下的估计误差,发现SVR算法估计误差波动幅度较小,支持小样本数据的锂电池SOH估计,更适合用于建立高精度锂电池SOH预测模型。