在车用动力电池工作过程中,其内部正负极材料、电解液等物质都存在不同程度且不可逆的化学物理变化,反映在电池外部即为其工作性能和健康状态的不断衰退恶化。本文主要目标为准确快速地完成动力电池健康状态估算工作。本文在完成车用动力电池单体循环寿命实验、混合动态工况实验以及交流阻抗实验等实验基础之上,分析动力电池衰退特性变化,将电池健康状态估算问题视为时间序列预测问题,提出了基于长短期记忆网络模型的时间序列预测模型,并对标准网络模型反向传播参数更新过程进行有效的优化,通过不同电池实验数据进行训练以及验证。结果表明,基于梯度下降的学习率自适应优化的长短期记忆神经网络在动力电池健康状态估算中效果显著,最大误差在5%以下,能够很好地满足当前对于电池健康状态估算的实际需求。论文主要内容如下:(1)分析动力电池健康状态估算的实际意义,总结当前电池建模及SOH估算预测方法的优缺点,分析将深度学习算法运用到电池健康状态估算的可行性。细致进行动力电池工作原理的总结描述和特性分析,同时分析影响动力电池衰退程度的内、外部因素。(2)完成动力电池衰退实验并细致归纳实验数据结果中特性变化规律。动力电池实验包括电池单体循环充放电实验、混合动力脉冲特性测试实验、电池定容实验、混合动态工况实验以及交流阻抗实验。基于电池实验结果分析动力电池衰退特性变化过程。(3)建立运用于动力电池健康状态估算研究的长短期记忆神经网络模型。长短期记忆神经网络属于深度学习算法模型的分支。作为进化后的循环神经网络模型,长短期记忆神经网络内部“记忆单元”功能即为储存流转输入数据历史信息的核心单元,很好地解决循环神经网络所存在的“长期依赖”问题,在时间序列预测表现优异。本文将长短期记忆神经网络运用于电池健康状态预测问题,并通过实验数据验证其预测性能。(4)提出基于梯度下降的学习率自适应优化的长短期记忆神经网络预测模型。简要分析标准长短期记忆神经网络模型反向传播更新参数过程中学习率恒定问题,将原本更新过程变为自适应优化过程,优化参数寻优,使优化后的长短期记忆神经网络更加易于寻找全局最优解。对比分析三种自适应优化后长短期记忆神经网络模型的预测性能,以电池实验数据加以验证。结果证明其确实适用于电池SOH估算问题。