本书主要介绍不同工况下的锂离子电池剩余寿命预测方法。第1章主要分析锂离子电池剩余寿命的研究现状；第2章到第4章，分别针对经典锂离子电池剩余寿命预测算法（粒子滤波、最小二乘支持向量机和极限学习机）进行改进研究，解决了算法精度低、实时性差，以及电池容量在线测量困难等问题；第5章到第9章，分别针对现场退化数据不足、容量再生现象、不同充电策略、不同放电策略及早期循环数据的锂离子电池剩余寿命预测方法进行研究，实现了不同工况下的锂离子电池剩余寿命预测。本书论述了基于模型和基于数据驱动的剩余寿命预测方法，并且均在实例数据上进行了仿真分析，反映了锂离子电池剩余寿命预测方法研究的新进展。 本书可为从事锂离子电池剩余寿命预测方面理论研究或应用研究的科研人员提供参考。

第1章 绪论
1.1 锂离子电池剩余寿命预测概述
1.2 锂离子电池剩余寿命预测方法研究进展
1.2.1 基于模型的锂离子电池剩余寿命预测方法
1.2.2 基于数据驱动的锂离子电池剩余寿命预测方法
1.2.3 基于融合的锂离子电池剩余寿命预测方法
参考文献
第2章 基于粒子滤波的锂离子电池剩余寿命预测
2.1 滤波算法的基本原理
2.1.1 标准PF算法
2.1.2 UKF算法
2.2 粒子滤波的改进
2.2.1 随机扰动重采样算法
2.2.2 随机扰动无迹粒子滤波算法
2.3 基于指数经验模型和改进粒子滤波的锂离子电池剩余寿命预测方法
2.3.1 锂离子电池的经验退化模型及其初始参数识别方法
2.3.2 方法的具体实现流程
2.3.3 仿真分析
2.4 本章小结
参考文献
第3章 基于支持向量机的锂离子电池剩余寿命预测
3.1 支持向量机概述
3.1.1 支持向量机原理
3.1.2 最小二乘支持向量机原理
3.2 粒子群优化最小二乘支持向量机
3.2.1 粒子群优化算法原理
3.2.2 粒子群优化的最小二乘支持向量机
3.3 基于融合间接健康因子与PSO-LS-SVM的锂离子电池剩余寿命预测方法
3.3.1 健康因子构建
3.3.2 方法的具体实施步骤
3.3.3 仿真分析
3.4 本章小结
参考文献
第4章 基于神经网络的锂离子电池剩余寿命预测
4.1 神经网络概述
4.1.1 极限学习机
4.1.2 广义回归神经网络
4.1.3 卷积神经网络
4.2 基于WOA优化ELM的锂离子电池剩余寿命预测方法
4.2.1 锂离子电池老化数据
4.2.2 WOA的基本原理
4.2.3 健康因子构建
4.2.4 方法的具体实施步骤
4.2.5 仿真分析
4.3 本章小结
参考文献
第5章 现场退化数据不足时的锂离子电池剩余寿命长期预测
5.1 问题分析
5.2 基于经验模型与LS-SVM的锂离子电池剩余寿命预测方法
5.2.1 健康因子构建
5.2.2 优化最小二乘支持向量机
5.2.3 方法的具体实施步骤
5.2.4 仿真分析
5.3 基于多步预测模型的锂离子电池剩余寿命预测方法
5.3.1 多步信息特征的健康因子构建
5.3.2 锂离子电池剩余寿命多步预测模型构建
5.3.3 仿真分析
5.4 本章小结
参考文献
第6章 容量再生下的锂离子电池剩余寿命预测
6.1 问题分析
6.2 基于多状态经验模型的锂离子电池剩余寿命预测方法
6.2.1 锂离子电池的多状态经验退化模型构建
6.2.2 基于粒子群优化的随机扰动无迹粒子滤波算法
6.2.3 基于多状态退化模型和PSO-RP-UPE的锂离子电池剩余寿命预测方法
6.2.4 仿真分析
6.3 本章小结
参考文献
第7章 锂离子电池在不同充电策略下的剩余寿命预测
7.1 问题分析
7.2 基于放电电压平均变化速率的锂离子电池剩余寿命预测方法
7.2.1 健康因子构建
7.2.2 方法的具体实施步骤
7.2.3 仿真分析
7.3 本章小结
参考文献
第8章 不同放电策略下的锂离子电池剩余寿命预测
8.1 问题分析
8.2 基于EMD-GRNN-ARIMA的锂离子电池剩余寿命预测方法
8.2.1 EMD算法
8.2.2 基于EMD算法的直接健康因子构建
8.2.3 方法的具体实施步骤
8.2.4 仿真分析
8.3 本章小结
参考文献
第9章 早期循环数据下的锂离子电池剩余寿命直接预测
9.1 问题分析
9.2 基于融合型HI与PCA-SV的锂离子电池剩余寿命直接预测方法
9.2.1 基于融合型HI和PCA-SVR的锂离子电池剩余寿命预测模型
9.2.2 锂离子电池老化数据集与健康因子
9.2.3 锂离子电池剩余寿命预测结果与分析
9.3 本章小结
参考文献