锂离子电池被广泛应用于各种电子产品中,并逐渐扩展到电动车、飞机、航天器等领域。然而,锂离子电池也存在安全隐患。锂离子电池剩余使用寿命(Remaining Useful Life,RUL)预测是保障锂离子电池安全应用的关键技术。基于机理模型的锂离子电池RUL的预测方法预测精度高,但准确的通用机理模型很难获得。如果单纯利用某一种数据驱动的锂离子电池RUL预测方法,预测性能受限。因此本课题基于电池历史退化数据,在不依赖电池机理模型或经验退化模型的情况下,开展基于数据驱动的锂离子电池RUL融合预测方法研究,以提高RUL预测方法的通用性和预测精度。针对目前锂离子电池剩余寿命预测方法存在的一些问题,本文从以下三个方面展开锂离子电池RUL的融合预测方法研究:(1)针对粒子滤波(Particle Filter,PF)预测方法依赖电池经验退化模型,以及在多步迭代过程中无法获得真实观测数据的问题,本文提出了一种基于贝叶斯回归和动态状态估计的锂离子电池RUL融合预测方法,利用基于贝叶斯回归理论的相关向量机构建不依赖电池经验退化模型的状态估计模型,引入自回归(Auto Regressive,AR)模型的长期电池容量退化趋势预测值近似PF方法中的观测值,从而动态更新状态估计模型相关参数。实验结果表明,预测精度比经典的PF方法略有提高,而且摆脱了对电池经验退化模型的依赖。(2)针对基于相关向量机(Relevance Vector Machine,RVM)机器学习模型的RUL预测方法中以单核为主且核函数的选择存在较大主观性的问题,本文提出了一种基于优化多核RVM模型的锂电池RUL融合预测方法,选择RVM核函数中最具代表性的径向基函数(也称高斯核函数)、线性核函数、多项式核函数和sigmoid核函数,引入果蝇优化算法优化不同核函数的线性组合系数,从而融合多个核函数的模型综合表达能力,有效提高模型预测精度。实验结果表明,基于优化多核RVM模型的RUL融合预测方法相比基于单核RVM模型和支持向量回归(Support Vector Regression,SVR)模型的RUL预测方法提高了RUL预测精度。(3)针对基于浅层机器学习模型的RUL预测方法长期预测精度较差,以及部分方法缺乏不确定性管理等问题,本文提出基于序列到序列的长短期记忆网络(Long Short-term Memory Network,LSTMN)深度学习模型的锂离子电池RUL预测方法,降低了累积误差,提高了预测精度。然后提出了基于贝叶斯模型平均(Beyesian Model Averaging,BMA)的LSTMN融合预测方法,利用具备不确定性表达能力的BMA算法融合多个LSTMN模型,不仅弥补了深度学习模型缺乏不确定性表达的不足,同时进一步提高了锂电池RUL预测精度。实验结果表明,基于LSTMN深度学习模型RUL融合预测方法的预测精度相比基于浅层机器学习模型的RUL预测方法有较大提高。