全球经济严重依赖于化石燃料，然而化石燃料是一种不可再生能源，一旦耗尽，以化石燃料为基础的能源经济将受到致命冲击。锂离子电池作为一种新能源，在全球范围内受到越来越多的关注，其具有寿命长、电化学性能稳定、效率高、体积小等优点，在许多应用领域具有光明前景。然而性能衰退现象在现实世界中普遍存在，锂离子电池在循环使用过程中也是如此，为减少因锂离子电池性能衰退导致的事故和损失，对其剩余使用寿命（RUL）的预测受到众多研究者的关注。课题在探索有效的预测方法中所开展的主要工作有：
　　针对锂离子电池寿命衰退信号中隐含的特征信息利用不充分的问题，提出多尺度特征信号分解方法对原始寿命衰退信号提取特征。介绍并讨论多种多尺度特征信号分解方法，选择经验小波变换（EWT）对锂离子电池寿命衰退信号进行分解，在分解得到的频率子层信号中，低频子层信号能反应原始信号的变换趋势，因此选择其作为原始信号的特征。
　　针对人为经验设置深度神经网络预测模型超参数方法的低效问题，提出贝叶斯优化方法来自动获取网络模型最优超参数。使用贝叶斯优化方法对网络层数、学习率、隐含层神经元个数等超参数进行自动寻优以获取模型最优预测性能。
　　针对单一预测模型的预测性能受自身特性限制的问题，提出ARIMA-Bi_LSTM混合预测模型。该模型首先使用自回归综合移动平均（ARIMA）预测原始序列信号的线性特性，然后将预测所得残差通过双向长短时记忆神经网络（Bi_LSTM）模型预测非线性特性，以此使该模型拥有较强的线性和非线性预测性能。通过Auto ARIMA和贝叶斯优化方法分别获取ARIMA模型和Bi_LSTM模型的最优超参数，以提升混合模型的预测性能。
　　为验证所提方法的有效性，以NASA锂离子电池衰退数据展开实验，首先通过EWT对原始序列数据进行分解，提取低频子层信号作为特征信号，再将特征信号通过ARIMA-Bi_LSTM混合模型进行预测，将预测得到的结果与高频子层信号进行EWT逆变换得到寿命衰退信号的预测结果，通过对比实验，验证了该模型在锂离子电池寿命衰退信号的预测方面具有较好的预测性能。并通过分析寿命终止点，得到了准确的锂离子电池RUL的预测结果。