1. 研究目的与意义（文献综述）

1.1研究背景与意义

锂离子电池在现代社会中的使用十分广泛，比如在生活中的使用如手机电池，电动汽车电瓶，在军事或航天中使用的空间站、雷达、卫星蓄电池。然而在电池的使用中，电池的性能退化，电池的意外损坏都可能会对系统或是设备造成严重的后果。手机电池的爆炸可能致命，而卫星电池的报废可能使价值上亿的设备报销。对锂离子电池荷电状态（State of Charge, SOC），健康状态（State of Health, SOH）和剩余使用寿命（Remaining useful life, RUL）的研究意义重大。通过实时监测电池的SOH，可及时纠正电池的SOC；为电池自身的检测与诊断提供依据，了解电池组各单体的健康状态，更换老化电池提升整体寿命。本文就是对三元锂离子电池健康状况的仿真的研究，对锂离子电池管理系统有着十分重要的意义。

1.2国内外研究现状分析
电池的SOH包含容量、内阻以及功率的等性能参数。通常SOH表示在标准条件下完全充电后测定容量与额定容量的比值，是电池寿命的一种表现形式。根据IEEE标准1188.1996，电池的SOH的值lt;80%时电池不能正常发挥性能，应更换电池。锂离子SOH衰退的原因十分复杂。一般来说，具体因素有：界面膜的形成，正极材料的溶解，电解质溶液的分解，自放电，过充电，锂离子正常脱嵌时正极材料的相变化，集流体腐蚀，环境温度，充放电截止电压，充放电倍率，放电深度，生产设备、过程、工艺的差异等。根据这些原因，现有的对锂离子电池SOH的估计方法大致可以分为：
一、基于模型的方法。如衰退机理模型，等效电路模型（电阻表示压降，电容，电感，电流源和电压源等描述电池特性的变化）和经验衰退模型（粒子滤波法：PF和卡尔曼滤波法：KF等改进方法）。同济大学的戴海峰等人利用双卡尔曼滤波算法，通过电流、电压等数据，建立了等效物理模型，及其空间状态方程，最终实现了模型与算法的统一，评估电池 SOH，实现了循环寿命的预测。其估测精度表现良好。周秀文通过对等效电路模型和电池容量模型进行改进，得出电池SOC和SOH联合估计模型，并在NEDC和JC08 两工况下进行了双扩展卡尔曼滤波（DEKF）和多尺度扩展卡尔曼滤波（MEKF）算法测试。结果表明，两种方法在电池 SOC 和 SOH 估计上无明显差异，但在理论分析上 MEKF 算法的计算量更小。苗强等人对相同的锂离子电池进行数据统计，接着应用扩展卡尔曼滤波方法进行对比分析，然后说明了粒子滤波精度影响关键在于重采样阶段，最后借助MATLAB仿真软件进行寿命预测。实验表明，粒 子滤波算法较优，在寿命预测方面误差小于5%。
二、基于数据驱动的方法。如时间序列模型（自回归模型AR），人工神经网络模型（ANN），和支持向量机（SVM）等。刘汉雨利用电池充放电数据，通过内阻参数辨识，并结合电池健康程度、失效阈值，以及循环容量数据，以最小二乘曲线拟合和RVM方法，分别对锂离子电池剩余循环寿命（RCL）展开了回归预测，得出相关向量机具有较强的局部预测能力。张任，胥芳，陈教料，潘国兵等人使用PSO-RBF神经网络对锂离子电池健康状态预测。
本论文的目的是实现一种三元锂离子电池的SOC和RUL的预测方法。首先将进行实验获取锂离子电池充放电过程中电压、内阻、容量和表面温度等随着充放电倍率和环境温度变化的规律，并获取建模所需参数。然后用Simulink建立等效电路模型，利用锂离子电池容量数据集进行simulink建模仿真，根据不同循环次数和不同放电温度下的电池健康状态进行评估，对仿真结果进行评价。

2. 研究的基本内容与方案

2.1研究的主要内容及目标
1．查阅文献，理解锂离子的电池结构、工作特性以及锂离子电池健康状态评估方面的各种方法，了解国内外研究现状；
2．通过实验获取建立锂离子电池等效电路模型中所需的参数，获得锂离子电池在不同充放电倍率和环境温度下，锂离子电池特征参数的变化规律。

3．构建锂离子电池等效电路模型，通过simulink仿真，使用一种soh估计的方法进行仿真分析，根据仿真结果与实验结果之间的拟合程度进行评价。

2.2拟采用的技术方案和措施
1．采用hppc实验方法测出锂离子电池的欧姆内阻rj、极化内阻rp和电压和soc随冲放电倍率和环境温度变化的关系。

3. 研究计划与安排

毕业实习周
（2019.1.6~ 1.18） 赴校外实习、搜集设计资料，并提交实习日记、实习报告。

毕业设计预备周
（2019.1.3-2019.1.18） 确定指导教师人选，对未选好导师的学生进行调剂分配。

确定选题志愿、校内搜集资料、消化资料。

4. 参考文献（12篇以上）

【1】 刘龙. 锂离子动力电池健康状态评估模型研究[D]. 长春工业大学, 2016.

【2】 锂离子电池的健康状态估计研究现状分析[J]. 蓄电池, 2017

【3】 林娅, 陈则王. 锂离子电池剩余寿命预测研究综述[J]. 电子测量技术, 2018

【4】 王宁, 刘晓峰, 陈泽华. 锂离子电池寿命预测综述[J]. 电器与能效管理技术, 2018

【5】 刘媛. 锂离子电池的剩余寿命预测方法研究[D]. 西安理工大学, 2017.

【6】 锂离子电池剩余容量与剩余寿命预测_谢建刚，李其仲，黄妙华，王树坤

【7】 严仁远.考虑容量恢复效应的锂离子电池剩余寿命预测[D].浙江大学,2018

【8】 张洋，陈浩，郭波，蒋平.锂离子电池剩余寿命在线预测[J].机械科学与技术,2016

【9】 玥锌，刘淑杰，高斯博，胡娅维，张洪潮.基于维纳过程的锂离子电池剩余寿命预测[J].大连理工大学学报,2017,第57卷(2)

【10】 .董汉成，凌明祥，王常虹，李清华.锂离子电池健康状态估计与剩余寿命预测[J].北京理工大学学报,2015,第35卷

【11】 . 祝红英，时玮，朱志贤.关于锂离子电池健康状态预测方法的研究进展[J].电源技术,2017

【12】 . 郭琦沛，张彩萍，高洋，姜久春，姜研.基于容量增量曲线的三元锂离子电池健康状态估计方法[J].全球能源互联网,2018

【13】 张任，胥芳，陈教料，潘国兵.基于PSO-RBF神经网络的锂离子电池健康状态预测[J].中国机械工程,2016,第27卷(21): 2975-2981
【14】 庞辉.基于扩展单粒子模型的锂离子电池参数识别策略#8727;[J].物理学报,2018,(5): 259-269

【15】 马力旺.电动汽车动力锂离子电池健康状态估计方法研究[D].长安大学,2018

【16】 郭琦沛.锂离子动力电池健康特征提取与诊断研究[D].北京交通大学,2018

【17】 杨杰，王婷，杜春雨，闵凡奇，吕桃林，张熠霄，晏莉琴，解晶莹，尹鸽平.锂离子电池模型研究综述[J].储能科学与技术,2019,(1): 58-64

【18】 李佳.锂离子电池组的健康状态估计及寿命预测研究[D].重庆交通大学,2018

【19】 张锋，张金，高安同，周生.基于模型的锂离子电池健康状态预测[J].电子技术应用,2014,(12): 79-81，85

【20】 杨金星.锂离子电池退化状态识别与寿命预测方法研究[D].哈尔滨工业大学,2017

【21】 张金，高安同，韩裕生，左修伟，张锋.一种基于粒子滤波的锂离子电池健康预测算法[J].电源技术,2015,(7): 1377-1380

【22】 H. Dong et al, "Lithium-ion battery state of health monitoring and remaining useful life prediction based on support vector regression-particle filter," Journal of Power Sources, vol. 271, pp. 114-123, 2014.

【23】 A. El Mejdoubi et al, "State-of-Charge and State-of-Health Lithium-Ion Batteries' Diagnosis According to Surface Temperature Variation," IEEE Transactions on Industrial Electronics, vol. 63, (4), pp. 2391-2402, 2016.

【24】 X. Tang et al, "A fast estimation algorithm for lithium-ion battery state of health," Journal of Power Sources, vol. 396, pp. 453-458, 2018.

【25】 L. Cai et al, "An evolutionary framework for lithium-ion battery state of health estimation," Journal of Power Sources, vol. 412, pp. 615-622, 2019.

【26】 J. Meng et al, "Lithium-ion battery state of health estimation with short-term current pulse test and support vector machine," Microelectronics Reliability, vol. 88-90, pp. 1216-1220, 2018.