由于我国工业的高速发展以及人口的增长,对于机动车的需求持续增加,对能源的需求也在不断上升。动力电池作为新能源汽车的核心零部件之一,近年来越来越多的学者对其开展研究。在使用时,随着锂离子电池充电和放电周期的增加,电池老化也随之进行。当锂离子电池老化到一定程度后不仅容量大幅下降而且存在一定风险,因此为了锂离子电池日常的安全使用,并作为更换失效电池的参考依据,有效估计当前锂电池的健康状态具有重大意义。目前,国内外对动力电池寿命预测研究的较少,且大多数数据驱动的电池健康评估方法都使用易于检测的参数作为模型的输入,不能充分表征电池的退化信息。基于此问题本文通过分析NASA电池循环充放电数据集中的数据,提出容量增量曲线峰值作为电池老化的特征参数,建立了基于数据驱动的动力电池SOH预测模型。主要的研究内容如下:分析电池老化机理,阐述容量增量曲线法及其在电池健康状态估计中的原理,通过分析NASA电池数据集中的电池循环充放电试验数据,将容量增量曲线峰值作为特征参数来表征动力电池的退化程度。为了更全面地考虑与电池健康状态相关的因素,分析了放电过程中放电初始电压、放电终止电压、放电电压差、放电时间、放电最高温度与容量增量曲线峰值6个参数的数据。为了减少这些参数间信息的重叠,使用主成分分析算法对其进行处理,简化模型计算过程,选用三个相互之间重叠信息较少的综合向量作为电池健康状态预测模型的输入参数。通过构建BP神经网络模型对电池健康状态进行预测,使用三个性能评价指标对其预测性能进行评价。利用遗传算法对BP神经网络进行全局优化,进一步提高预测模型的准确度。仿真结果表明,GA-BP神经网络具有较高的预测精度,证实其可行性。后续又与本工作中提出的BP神经网络算法进行了比较,结果表明,GA-BP神经网络在预测电池寿命时可以达到较准确的预测精度和较强的鲁棒性。