本書主要介紹不同工況下的鋰離子電池剩余壽命預測方法。第1章主要分析鋰離子電池剩余壽命的研究現狀；第2章到第4章，分別針對經典鋰離子電池剩余壽命預測算法（粒子濾波、最小二乘支持向量機和極限學習機）進行改進研究，解決了算法精度低、實時性差，以及電池容量在線測量困難等問題；第5章到第9章，分別針對現場退化數據不足、容量再生現象、不同充電策略、不同放電策略及早期循環數據的鋰離子電池剩余壽命預測方法進行研究，實現了不同工況下的鋰離子電池剩余壽命預測。本書論述了基于模型和基于數據驅動的剩余壽命預測方法，并且均在實例數據上進行了仿真分析，反映了鋰離子電池剩余壽命預測方法研究的新進展。
****“十三五”預研技術項目“多模供電技術研究”，編號4303006845，負責人（本書依托項目）綜合測試設備通用檢測與診斷系統，軍隊科技進步二等獎，2011年，排名2。國家自然科學基金項目“內燃機振動譜圖像表征、分析和理解關鍵技術研究”，編號51405498，負責人；河南省科技進步二等獎等
目錄
第1章 緒論 1
1.1 鋰離子電池剩余壽命預測概述 1
1.2 鋰離子電池剩余壽命預測方法研究進展 3
1.2.1 基于模型的鋰離子電池剩余壽命預測方法 4
1.2.2 基于數據驅動的鋰離子電池剩余壽命預測方法 6
1.2.3 基于融合的鋰離子電池剩余壽命預測方法 10
參考文獻 12
第2章 基于粒子濾波的鋰離子電池剩余壽命預測 17
2.1 濾波算法的基本原理 18
2.1.1 標準PF算法 18
2.1.2 UKF算法 19
2.2 粒子濾波的改進 20
2.2.1 隨機擾動重采樣算法 20
2.2.2 隨機擾動無跡粒子濾波算法 21
2.3 基于指數經驗模型和改進粒子濾波的鋰離子電池剩余壽命預測方法 23
2.3.1 鋰離子電池的經驗退化模型及其初始參數識別方法 23
2.3.2 方法的具體實現流程 24
2.3.3 仿真分析 25
2.4 本章小結 27
參考文獻 28
第3章 基于支持向量機的鋰離子電池剩余壽命預測 29
3.1 支持向量機概述 30
3.1.1 支持向量機原理 30
3.1.2 最小二乘支持向量機原理 31
3.2 粒子群優化最小二乘支持向量機 32
3.2.1 粒子群優化算法原理 33
3.2.2 粒子群優化的最小二乘支持向量機 34
3.3 基于融合間接健康因子與PSO-LS-SVM的鋰離子電池剩余壽命預測方法 35
3.3.1 健康因子構建 36
3.3.2 方法的具體實施步驟 39
3.3.3 仿真分析 40
3.4 本章小結 43
參考文獻 43
第4章 基于神經網絡的鋰離子電池剩余壽命預測 45
4.1 神經網絡概述 45
4.1.1 極限學習機 45
4.1.2 廣義回歸神經網絡 47
4.1.3 卷積神經網絡 49
4.2 基于WOA優化ELM的鋰離子電池剩余壽命預測方法 51
4.2.1 鋰離子電池老化數據 51
4.2.2 WOA的基本原理 52
4.2.3 健康因子構建 53
4.2.4 方法的具體實施步驟 54
4.2.5 仿真分析 56
4.3 本章小結 60
參考文獻 61
第5章 現場退化數據不足時的鋰離子電池剩余壽命長期預測 63
5.1 問題分析 63
5.2 基于經驗模型與LS-SVM的鋰離子電池剩余壽命預測方法 64
5.2.1 健康因子構建 64
5.2.2 優化最小二乘支持向量機 67
5.2.3 方法的具體實施步驟 70
5.2.4 仿真分析 70
5.3 基于多步預測模型的鋰離子電池剩余壽命預測方法 73
5.3.1 多步信息特征的健康因子構建 73
5.3.2 鋰離子電池剩余壽命多步預測模型構建 80
5.3.3 仿真分析 85
5.4 本章小結 92
參考文獻 93
第6章 容量再生下的鋰離子電池剩余壽命預測 95
6.1 問題分析 95
6.2 基于多狀態經驗模型的鋰離子電池剩余壽命預測方法 97
6.2.1 鋰離子電池的多狀態經驗退化模型構建 97
6.2.2 基于粒子群優化的隨機擾動無跡粒子濾波算法 102
6.2.3 基于多狀態退化模型和PSO-RP-UPE的鋰離子電池
剩余壽命預測方法 103
6.2.4 仿真分析 105
6.3 本章小結 111
參考文獻 111
第7章 鋰離子電池在不同充電策略下的剩余壽命預測 113
7.1 問題分析 113
7.2 基于放電電壓平均變化速率的鋰離子電池剩余壽命預測方法 115
7.2.1 健康因子構建 115
7.2.2 方法的具體實施步驟 117
7.2.3 仿真分析 119
7.3 本章小結 122
參考文獻 123
第8章 不同放電策略下的鋰離子電池剩余壽命預測 124
8.1 問題分析 124
8.2 基于EMD-GRNN-ARIMA的鋰離子電池剩余壽命預測方法 126
8.2.1 EMD算法 126
8.2.2 基于EMD算法的直接健康因子構建 127
8.2.3 方法的具體實施步驟 129
8.2.4 仿真分析 133
8.3 本章小結 136
參考文獻 137
第9章 早期循環數據下的鋰離子電池剩余壽命直接預測 138
9.1 問題分析 138
9.2 基于融合型HI與PCA-SV的鋰離子電池剩余壽命直接預測方法 140
9.2.1 基于融合型HI和PCA-SVR的鋰離子電池剩余壽命預測模型 140
9.2.2 鋰離子電池老化數據集與健康因子 142
9.2.3 鋰離子電池剩余壽命預測結果與分析 157
9.3 本章小結 163
參考文獻 164
新書資訊