近年来,各国的燃油汽车排放法规日渐严格,新能源汽车的发展受到越来越多的关注。电能作为一种清洁可再生能源,正逐渐成为新能源汽车的主要动力来源。动力电池技术作为电动汽车的核心技术之一,涉及到诸多研究领域和问题,其中,电动汽车动力电池健康状态的估计和预测是该领域研究的热点问题。目前,电池健康状态研究大多采用电池实验的方式,该过程需要拆卸电池,研究成本高、过程繁琐,且不同型号的电池参数不同,需要重复实验。考虑到现有研究方法的不足,本文基于数据挖掘方法对电池管理系统记录的实车行驶数据展开研究,提出一种电动汽车动力电池健康状态估计和预测方法,本文的工作包括以下内容:(1)介绍电动汽车动力电池健康状态研究背景,明确研究意义。给出电池健康状态的定义并对电池健康状态的研究方法进行综述。研究锂离子电池结构及其工作原理,并分析影响电池健康状态的两个主要因素环境温度和充放电倍率,为电池健康状态研究进行准备。确定数据挖掘的建模流程和基于Python编程语言的数据挖掘工具,确定数据挖掘预测模型,明确车载终端与数据采集平台之间的通讯过程。(2)对某型号纯电动汽车实车行驶数据进行处理,包括对数据进行相关性分析,确定有研究价值的核心数据类型;考虑庞大的数据量和本文采用的基于容量的电池健康状态研究方法,对数据进行行驶片段划分;检测异常数据,并对缺失数据进行插补处理,保证数据的有效性和完整性。数据处理工作为后续电池健康状态估计和预测模型的建立提供了数据保障。(3)根据电池健康状态的相关定义,采用安时法得到电池容量值。考虑温度和放电电流对电池性能的影响进行容量值修正。由于数据中的离群点会严重影响模型精度,因此采用箱型图方法检测并删除离群点,然后采用移动平均法对电池容量进行去噪处理,减小数据随机误差。接下来,分别采用三种模型对电池健康状态进行估计建模,通过比较拟合精度和实际应用中的计算效率和模型可靠性,最终确立采用线性模型建立电池健康状态估计模型,最后对估计模型进行假设检验并得到其参数的置信区间。(4)分析了常用的预测模型特点,结合电池健康状态问题特征,选择BP神经网络方法开展研究。电池充放电循环实验数据的验证结果说明BP神经网络模型的精度有待提高。之后本文进行了基于遗传算法改进的BP神经网络预测模型研究,建立了改进的电池健康状态预测模型,电池实验数据的验证结果说明,改进预测模型的预测精度得到显著提高。最后本文使用改进的预测模型对电池健康状态进行预测,得到目标电动汽车未来时间的电池健康状态预测结果。本文提出的基于数据挖掘的电动汽车动力电池健康状态研究方法避免了电池离线实验,显著降低了研究成本,同时可以有效考虑电动汽车实车行驶工况,对电动汽车动力电池健康状态在线估计和预测具有一定的指导意义。