我国的高速铁路发展迅速,人们对动车组的高效运行以及安全性越来越重视注。在动车组的安全运行中,蓄电池作为动车组的关键部件,其状态是否正常是动车组安全运行的基石。现有的蓄电池计划修虽然可以保障高速铁路的安全运行,但是在检修过程中会存在过度修的问题,会造成维修成本的增加甚至导致高速铁路运输效率的降低。伴随着高速动车组密度的不断增加,迫切地需要检修方案由“计划修”转变为“状态修”,即对蓄电池进行状态评估,预测蓄电池的维修日期,减少维修成本并提高动车组的运维效率。目前,已有的国内外的电池健康状态评估模型仍存在精确度低的问题。因此本课题从基于数据驱动的方法出发,提出电池健康状态评估优化模型。通过分析电池运行过程中的相关历史数据研究电池的当前容量和电池的剩余使用寿命。主要的研究工作如下:(1)针对目前的容量退化模型中简单使用电池的电流、电压、温度等基本特征的问题,本课题将电池的直接特征与电池放电时长、等压降放电时间等间接特征组合使用,提出使用Kendall Rank相关系数和Spearman相关系数对电池特征与容量进行相关性分析,根据相关性高低选择合适的电池特征组合成样本集完成模型的训练和测试。(2)提出GARF电池容量估算模型。随机森林算法中决策树的生成以及选择的决策树的数量都会影响模型的计算成本,通过遗传算法对特征数量以及决策树数量的参数组合进行寻优,使模型的计算成本降低并且提高模型的估算精度。最后,使用动车组的蓄电池数据验证优化模型的可行性。(3)采用注意力机制优化Bi GRU神经网络,提出具有较高预测精度的Bi GRU-Attention电池寿命预测模型。双向GRU改变了传统GRU的内部结构,使用正反两个方向进行传播,针对电池的当前时刻的容量同时使用了过去和未来的数据进行预测,使预测的误差进一步缩小。引入注意力机制是通过分配不同的注意力到输入序列,使模型对关键的部分更加侧重学习,训练模型在处理时间序列预测模型的学习能力,从而得到更精确的电池寿命预测模型。最后,基于Bi GRU-Attention电池寿命预测模型对动车组蓄电池的数据进行实验,验证模型的预测精度确实有所提高。