1. 研究目的与意义
随着电动汽车产业化的兴起，锂离子电池在电动汽车领域得到广泛应用，锂离子电池组的有效管理亦成为保障电动汽车性能稳定，安全可靠的关键。
剩余寿命预测作为电池管理的一重要指标，为保障电池的及时更换提供必要依据。
为此，本课题要求利用支持向量机方法进行电池剩余寿命的预测，并用matlab进行模型的建立。
2. 国内外研究现状分析
目前，国内外针对锂离子电池的性能研究已较为深入，但是对于锂离子电池的寿命预测所做的研究则并不多。所以，建立锂离子电池的寿命预测模型不仅有利于电池性能的进一步深入研究，完善电池设计，更有助于电池的可靠性寿命设计。锂离子电池是蓄电池的一种，目前的电池寿命预测大部分集中在其他种类蓄电池，专门针对锂离子电池的寿命预测研究则很少，方法有限。基于 rakhmatov 模型提出了一种新的解析模型，该模型可以精确的预测锂离子电池寿命，但该模型要在一定的使用范围内才能达到较高的预测精度。另外，在对蓄电池的寿命预测研究中，很多文献提到了神经网络、灰色理论、svm 等预测方法，其中，svm 方法表现优秀。故将此方法用于锂离子电池的寿命预测应该是有效的。
1．国内研究方法
迄今为止，有很多方法可以应用在各种预测问题上，这些方法可以归为两类：时间序列的传统预测方法和人工智能方法。传统的时间序列方法包含有：移动平均模型、自回归模型和自回归移动平均模型。一般认为传统的时间序列模型用线性来模拟相关的时间点，这种认识是有缺陷的，因为自然界是复杂多变的，很多时间序列具有非线性的特征。而相应的人工智能领域对预测的研究取得了长足的进步。近年来，已有学者将 ann 技术运用于静置电池剩余电量的预测，取得了一定的突破。ann 技术具有大规模的并行处理和分布式的信息存储能力、良好的自适应性、自组织性以及很强的学习、容错、抗干扰能力等优点，但它也存在先天不足，如训练时间长、易陷入局部极值点、泛化能力弱等。而由统计学习理论发展起来的 svm，以结构风险最小化原则为理论基础，具有较强的学习泛化能力，尤其是对于小样本数据的模式识别和函数估计有出色的学习推广能力。克服了 ann 的缺点，较好地解决了高维数、小样本等机器学习问题，且在时间序列预测中可以很好的解决非线性非稳定的问题。近年来被应用于一些时间序列预测问题，取得了很好的效果。
3. 研究的基本内容与计划
研究内容：
（1） 阅读参考文献，参考相关书籍，进行初步了解；
（2） 了解锂电池的基本工作原理、寿命影响因素、失效机制；
4. 研究创新点
分析中以往参考文献中出现的锂电池剩余寿命的影响因素，比较不同预测方法在锂电池剩余寿命的优缺点，从而提出一种基于svm的新的预测方法，更加科学合理地预测锂电池剩余寿命预测。
