近年来,锂离子电池以其优越的性能被广泛应用于各个领域,但其自身仍存在安全性和可靠性问题,因此在应用中需要对锂离子电池的工作状态进行在线监测和综合管理。锂离子电池剩余使用寿命预测(Remaining Useful Life,RUL)作为电池管理、安全保障及预测性维护中的关键技术,一直以来其研究倍受关注,并且已经发展为电池系统故障预测与健康管理技术研究的热点问题之一。作为一种复杂的电化学系统,锂离子电池的性能会随着使用时间逐渐退化,并且在众多表征电池退化状态的参数中,电池容量最能直接揭示电池的寿命,故以容量作为健康指标的研究被广泛应用在锂离子电池RUL预测领域。此外,电池退化的过程并不是单调的,电池的工作过程包括充电、放电和休息阶段。整体上,随着锂离子电池的不断使用,电极与电解液之间发生副反应,使电池容量逐渐呈现下降趋势。然而,当电池处于充放电结束后的静置状态时,剩余的反应产物将有机会消散,从而可以增加下一个循环的可用容量。这种短暂的容量恢复现象就叫做容量自恢复效应,它在每个电池的正常使用过程中都必然存在。这种容量自恢复效应的存在会改变容量退化曲线的趋势,因此,在锂离子电池RUL预测时考虑容量自恢复效应可以提高预测模型的预测精度,且在实际应用中是非常有必要的。鉴于此,为了提高预测模型的预测精度并且使模型更加符合实际应用,本文基于锂离子电池的内部反应机理,通过对容量进行深层挖掘和分析,展开了考虑容量自恢复效应的锂离子电池RUL预测方法研究,以提高锂离子电池RUL预测的精度,并且改善预测精度受预测起始点影响较大的问题,同时为锂离子电池RUL预测方法的应用研究提供一种新颖的技术思路。论文主要的研究工作包括以下几部分:(1)针对锂离子电池的容量在搁置阶段存在不同程度自恢复现象的问题,本文分别提出EMD分解和小波分解两种方法对锂离子电池容量数据进行多尺度分解,从而深度剖析容量退化过程的特征,分析发现,表征容量正常衰退的趋势部分和表征自恢复的震荡部分分布在不同尺度,通过分解技术可以将两部分分离开,从而可以为精确的建模和预测奠定基础。(2)锂离子电池的退化过程较为复杂,通常难以构建精确的机理模型进行RUL预测。为此,开展数据驱动方法中基于神经网络方法的锂离子电池RUL预测。提出EMD分解结合Elman神经网络的锂离子电池RUL预测方法,通过分解和分部分建模的思想实现捕捉容量自恢复效应的目的,并且提升锂离子电池RUL预测的精度。(3)相邻周期之间的锂离子电池退化状态高度相关,一般神经网络模型很难学习到具有时间依赖关系的退化特征,因此提出一种基于具有时间序列预测能力的非线性自回归神经网络(Nonlinear Auto Regressive Network,NAR)的锂离子电池RUL预测方法,结合小波分解技术建立整体预测模型,该方法不仅能够良好地捕捉容量的自恢复,而且极大改善了预测后期预测偏差较大的问题,取得更为稳定、精确的RUL预测结果。(4)针对本文所提基于两种神经网络的锂离子电池RUL预测方法,利用MATLAB编程软件设计实现了基于神经网络的锂离子电池RUL预测系统。系统主要包括基于Elman神经网络的预测和基于NAR神经网络的预测两大模块,并分别设置了在不同预测起始点进行预测的功能,该系统将理论付诸于实践,具有一定的实际应用价值。