锂离子电池是最新一代绿色高能充电电池,凭借其能量密度高、自放电率低、循环寿命长、无记忆性、无污染等优点,被广泛应用于交通运输、航空航天、武器装备、智能电网和电子产品等领域。锂离子电池是一个非常复杂的系统,只能在较窄的安全区域运行,极易发生意外失效。为了优化电池运行、提高电池寿命、保证使用的安全性,需要对电池进行有效的管理和控制,电池管理系统在维持电池使用方面具有不可替代的作用。电池的荷电状态(SOC)估计、健康状态(SOH)和剩余寿命(RUL)预测统称为电池状态评估,是电池管理系统中最重要和最关键的部分。基于数据驱动的方法以数据为基础,通过挖掘数据序列的特征和隐含信息进行建模和预测,不需要对象系统的精确数学模型及先验知识,因此成为锂离子电池状态评估中一种重要方法。本文基于数据驱动原理利用Ada Boost-Elman和MEEMD对电池管理系统中SOC估计、SOH和RUL预测方法展开研究。基于数据驱动的机器学习方法是锂离子电池SOC估计建模的一类重要方法,其中基于神经网络的学习方法是典型代表。针对单一前馈型神经网络(如BP神经网络)预测过程中存在泛化能力低、局部极小化、预测精度低及动态性不足等问题,本文提出基于Ada Boost-Elman算法的锂离子电池SOC估计方法。该方法充分利用了Elman神经网络的动态特性和Ada Boost算法提高弱预测器精度的特性,使组合后的强预测器具有较强的泛化能力、预测精度和动态特性。与BP神经网络和Elman神经网络的估计精度进行比较,Ada Boost-Elman神经网络的估计精度高、动态特性好,为锂离子电池SOC估计提供了一种新的途径。基于数据驱动的方法将与电池老化相关的参数作为健康因子,根据健康因子的不同分为外部参数(电压、电流、温度)和内部参数(容量、内阻)。外部参数与SOH关系模型过于复杂,内部参数难以在线测量,导致预测建模的方法不准确。此外,基于数据驱动的机器学习方法是锂离子电池SOH和RUL预测建模的重要方法,如神经网络、支持向量机等方法,这些方法没有考虑电池容量信号中的局部再生现象,局部再生现象会影响锂离子电池的容量退化趋势,影响预测结果。本文选择可以在线测量的等压降放电时间作为健康因子,提出基于MEEMD和Ada Boost-Elman结合的SOH和RUL预测方法,该方法可以对电池容量退化信号中的整体退化趋势和局部再生趋势进行跟踪,实现电池健康状态的良好诊断。与Ada Boost-Elman预测方法的结果相比,该方法可以捕捉电池容量退化中的时变退化现象,减少局部容量再生对SOH和RUL预测的影响。经过NASA锂离子电池数据集实验验证及其他方法比较,证明了本文所提出方法对锂离子电池SOC估计、SOH和RUL预测的有效性,为实际应用中电池管理系统的设计与研发提供借鉴参考意义。