锂离子电池因其优越的性能广泛应用于各个领域,但是当电池容量下降到一定阶段时电池的生命便达到阈值,电池就无法继续使用,因此电池的剩余使用寿命(Remaining Useful Life RUL)预测成为了当下研究的热点问题。当前阶段对于锂离子RUL的预测主要有基于模型和基于数据驱动两种方法,其中基于模型的预测方法由于其建模复杂且参数较多而使其发展受限,而在大多数数据驱动算法中存在算法精度不高、参数选取单一且无动态变化、缺乏高低温工况下电池的预测结果等问题。因此,本文提出了一种基于熵权的逼近理想解排序法(Technique for Order Preferenceby Similarity to Ideal Solution TOPSIS)和改进的粒子群算法(Particle Swarm Optimization PSO)的电池RUL预测框架,文章主要研究内容如下:(1)首先本文研究了锂离子电池的工作原理和退化机理,分析与观察了电池在退化过程中各项参数的变化情况后发现特定参数的变化趋势和电池容量退化的趋势具有较大的相关性。最后通过分析选取了电池的充放电循环次数、温度、内阻、开路电压作为电池容量退化模型的参数。(2)为了更加精确的预测电池RUL,本文使用了改进的粒子群算法对模型进行外推来预测电池RUL并进行了相关对比实验。实验结果显示改进的粒子群算法相比较于标准粒子群算法和其他相关算法具有有拟合误差小、拟合度高、精度高等优点。因此本文选取改进的粒子群算法作为电池RUL的预测算法,通过电池前40个充放电循环的数据对模型进行训练得到模型参数值,然后通过模型外推获得预测结果,最终预测结果显示了改进的粒子群算法具有较高的预测精度。(3)针对不同工况下电池的参数数据存在数据量不足,数据波动较大等因素,本文通过基于熵权的TOPSIS方法对电池退化模型参数进行动态选取并通过移动平均滤波(Moving Average Filter MAF)算法对电池数据进行滤波,滤除数据中存在的噪声,然后使用经过TOPSIS法在不同工况下选取参数并构建电池退化模型,最后使用经过滤波的数据和改进的粒子群算法预测电池RUL。(4)为了验证该预测框架和方法的有效性,我们使用NASA PCOE研究中心的电池数据进行了相关对比实验,实验结果表明:1.与未经TOPSIS和MAF滤波处理的预测结果相比,经过TOPSIS和MAF滤波处理的预测准确率提高了17.9%。2.本文所述方法在高温工况下的预测误差率为0%,在低温工况下的预测误差率为2.1%,较为准确。3.对比于现阶段存在的基于数据驱动的电池RUL预测方法,本文所提出的预测方法在本文的数据条件下具有较好的预测精度。