随着汽车行业的快速发展,汽车尾气污染问题已经引起广泛关注,由于锂离子电池具有高能量密度,低能量自放电效应和长循环寿命的优势,目前电动汽车的电池中使用最广泛的是锂离子电池。电池健康状态的估算可为电池管理系统制定控制策略,有效避免过度使用电池造成的安全隐患,然而如何准确估计电池的健康状态(SOH)一直是电池管理系统的主要问题。论文以锂离子动力电池为研究对象,对电动汽车锂离子动力电池健康状态的估计方法进行了研究,主要的研究工作如下:(1)论文选取容量作为表征电池SOH的直接参数,针对容量在电池工作时难以直接获取的特点,提出了基于充电电压序列的锂离子电池SOH估计方法。考虑到充电电压的上升过程有波动,为了减少电压波动的干扰,采用平均充电电压升序列(原始HI)来表征容量变化。为进一步提高HI与实际容量的线性程度,采用Box-Cox变换对原始的健康指标进行优化,利用优化后的数据对电池容量进行估计。通过综合分析,新建立的健康指标对锂离子电池容量估计具有较高的精确度,验证了方法的有效性。(2)考虑到单一的健康指标提取具有一定的局限性,论文尝试在单一的HI框架的基础上,提出了一种多指标融合的最小二乘支持向量机评估电池健康状态。通过美国宇航局艾姆斯数据库的锂离子电池充电数据进行特征的提取,采用灰色关联分析来衡量各个提取量与容量之间的关联程度,建立了一种更通用的多工况电池SOH估计模型。(3)考虑到核函数选择的重要性,局部核函数在局部范围内具有较强的学习能力,泛化能力较弱。而全局核函数泛化能力较好,局部学习能力较差,因此建立了基于混合核函数LSSVM模型对电池健康状态进行评估,采用NASA数据集验证了该方法的准确性和鲁棒性,并与标准SVM进行了对比分析,证明了最小二乘支持向量机通用模型的电池SOH在线估计在复杂条件下可以建立,具有较高的精度和适应性。