环境污染和能源危机问题日益严重,因而受到国内外社会各界人士的高度关注,新能源电动汽车已经逐渐成为我国汽车工业的长期发展战略方向。动力电池系统是制约我国新能源电动汽车发展的最大瓶颈,而动力电池管理技术是保障电动汽车高效、安全和保证动力电池长时间稳定运行的关键技术,也是各国竞相竞争的电动汽车核心技术。由于动力电池本身具有可精确测量参数有限、特性之间相互耦合和强非线性等三大特征,动力电池健康状态(State-of-Health,SOH)的精确估计一直以来是学术研究的重点和技术突破难点。针对动力电池SOH难以准确估计的问题,本文以恒压充电(CV)曲线当中提取的特征参数为基础,设计基于长短时记忆循环神经网络(LSTM-RNN)的SOH估计算法,提高SOH估计的准确性。本文做的主要工作如下:(1)将国内外SOH估算方法分为了两大类,并比较了各种SOH估计方法的精度以及复杂度;介绍了常用的几种电池模型;对电池进行基本性能测试,从两个方面,包括内部失效机理以及外部影响因素,较为全面的分析了导致锂离子电池寿命退化的主要原因;进一步归纳出可以表征电池容量衰退的参数。(2)从美国宇航局公开的一组电池老化实验数据中提取数据,绘制出不同循环次数下的CV曲线,从中提取出CV阶段平均电流、CV阶段持续时间、CV阶段等流降时间差、CV阶段充电容量等四个特征参数;然后采用灰色关联分析法来计算关联度,分别比较每个特征与SOH的关联程度;最后根据与SOH的关联程度来确定最佳特征参数。(3)设计一种LSTM-RNN神经网络模型来估计SOH,以CV曲线特征为输入,SOH为输出,模型的结构由输入特征的个数来决定,采用粒子群算法对SOH神经网络估计模型的结构进行优化,并同时优化各个关键参数。(4)采用美国宇航局公开的一组电池老化数据来验证所设计的LSTM-RNN神经网络SOH估计算法。以循环老化数据中B0005电池的全寿命周期数据,前100个样本作为训练集,剩下的全部作为测试集,从而训练SOH估计模型。将B0007电池的特征参数输入训练得到的SOH估计模型,对算法进行验证。实验结果表明,在相同条件下,多特征的LSTM-RNN模型具有更高的SOH估计精度,估计精度达到2.14%。本文的特色之处:(1)本文从电池恒压充电数据出发,设计以CV曲线特征为输入的LSTM-RNN神经网络估计模型。该方法可从电池管理系统采集到的电池电压和电流数据中得到特征参数,通过离线数据建立SOH估计模型,进而实现SOH的在线实时估计。(2)采用粒子群算法来优化LSTM-RNN估计模型的关键参数,确保关键参数为全局最优值。