动力电池作为电动汽车的主要动力来源,其安全性和可靠性一直是厂家和消费者关注的焦点,对动力电池健康状态进行有效地监控和预测可以提高电池系统的可靠性和行车安全性,因此有必要对动力电池健康状态进行相关研究。动力电池健康状态估计和预测结果有助于车主改善动力电池的使用条件,及时维护、保养电池,延长使用时间,科学确定电池更换时间,保障行车安全。本文基于动力电池充电曲线特征参数,对电池健康状态估计和预测方面进行研究。从动力电池的内部结构和工作机理出发,结合试验数据分析了电池使用条件对其老化速度的影响,并分析了电池内部致劣因素,提出以动力电池充电容量作为直接健康因子,以充电曲线特征参数作为间接健康因子的评估方案。通过Pearson和Spearman相关系数来衡量退化特征与容量的相关性,结果表明:等时间电流降、等时间电压升、等压升充电时间、恒压充电时间、恒压充电容量与电池容量之间存在紧密的相关性。最后,通过主成分分析法对间接健康因子进行降维处理,提取第一主成分作为融合健康因子用于电池健康状态(SOH)估计和剩余寿命(RUL)预测。选取能够对输出结果不确定性进行表达的高斯过程回归(GPR)算法建立基于融合健康因子的SOH估计模型,分析了分别运用共轭梯度法(CGM)和粒子群优化法(PSO)训练GPR模型超参数时对模型估计精度的影响,发现PSO-GPR模型更适用于SOH估计,因此基于该模型对同类型动力电池SOH进行估计,取得了较好的估计效果。基于容量信息来预测电池RUL难以在线运用,提出了基于融合健康因子对电池RUL进行间接预测的方法。引入遗传算法(GA)对Elman神经网络(ENN)的初始阈值和权值进行优化,运用GA优化的ENN算法建立RUL间接预测模型,最后基于NASA电池试验数据对模型的预测效果进行了验证,结果表明本文建立的动力电池RUL间接预测模型具有较高的预测精度。