对于电动汽车而言，动力锂电池的健康状态(State of Health, SOH)估算方法是电池管理系统中非常重要的一个方面。准确估计锂电池老化状态并预测电池剩余寿命对于电动汽车稳定安全运行有着重要的意义。借助数据驱动方法的思想，本文对锂离子电池寿命历史数据进行分析，通过深度学习方法建立锂电池健康状态评估模型。在模型的选取上，采用长短时记忆循环神经网络(Long short-term memory reccurent neural network, LSTM RNN)学习电池的寿命衰减过程，通过迁移学习泛化锂电池SOH评估模型。本文主要工作内容包括： 首先，介绍了动力电池SOH估算的研究背景与意义，详细讨论了国内外SOH估算方法，将其分为三大类并分别进行了深入的研究与探讨。在此基础上，分析基于模型的估算方法与基于数据驱动方法的优势与缺陷，并提出了本文的主要研究内容。 其次，本文对锂离子电池的工作特性进行分析，深入了解研究对象。首先，对锂离子电池的工作机理进行了解释；然后，介绍了锂电池的基本参数和概念，如内阻、电压、容量、循环寿命等；接着，以三星的三元锂电池为实验对象，基于新威尔NEWAREBTS2000高性能电池测试设备，搭建电池试验平台，在此电池测试平台的基础上，对目标电池进行了容量测试、内阻测试、开路电压测试、电池组循环寿命测试、日历寿命存储测试等工作及其特性研究；最后，基于实验数据对电池性能老化进行了系统的分析。 接着，锂电池单体SOH评估模型。首先，介绍了LSTM神经网络模型，对其原理及特点进行阐述。然后，从美国NASAPCoE研究中心的单体锂电池数据中抽取性能退化因子，将其解构成时间序列数据，输入到LSTM神经网络模型中，产生对锂电池健康状态的评估结果。 最后，为了探索解决不同种类锂电池SOH评估模型的泛化问题，采取基于深度神经网络迁移学习方法将应用于NASA锂电池数据的模型迁移到CALCE电池数据上来，使得同一模型可以高效复用，增强了数据驱动模型的泛化能力。
NETL
