本文的主要研究目是解决当前锂离子电池剩余寿命预测中普遍忽视搁置时容量恢复效应的问题,通过对电池容量变化模式的区分建立多模式模型获得更加准确的寿命预测结果。使用智能算法对模型参数进行了优化,提升了整体精确度。同时考虑到仪器误差与模型误差使用了粒子滤波算法获得了预测结果的不确定性表达。主要内容与结论如下:(1)总结了当前锂离子电池寿命预测的主要方法,分析了各自的优点与缺点,总结了锂离子电池的工作机理、失效机理与容量恢复机理,分析了在过往的剩余寿命预测中不考虑电池容量恢复带来的预测误差。对NASA的电池寿命实验数据进行了可视化处理与分析发现了三种容量变化模式,可以完整解释电池容量的变化过程;(2)对三种容量变化模式进行分别建模,发现底层容量符合线性变化规律,容量的恢复量是修复时间的指数函数,表层容量的衰退符合随循环累计时间的成比例衰退,并认为底层容量更能代表电池的实际寿命状态。整合建立多模式模型,在NASA#5、6号电池中的拟合效果良好,应用于#18号电池衰退数据进行简单预测并且与其他2个广泛使用的模型进行了对比,结果验证了模型的优越性;(3)考虑到局部最优与全局最优的差别,利用遗传算法与人群搜索算法等智能算法对多模式模型进行了参数优化。两者均获得了更好的预测效果,但拥有邻近搜索能力的人群搜索算法在搜索速度与拟合优度上更具优势;(4)考虑到测量误差与模型误差的存在,使用粒子滤波对电池进行寿命预测,结果显示误差仅有2个循环,预测效果良好,且获得了剩余寿命的概率分布,对于电池寿命维护更有指导意义。