由于锂离子电池(简称锂电池)内部工作不断发生充放电化学反应,描述他的退化过程十分复杂。实验发现锂电池工作过程中电量的退化过程数据序列具有非马尔可夫性质和长相关性(long-range dependence,LRD),为建模锂电池退化剩余寿命(Remaining Uesful Life,RUL)预测提供新方法。本文提出基于长相关性的分数布朗运动(Fractional Brownian Motion,FBM)模型的锂电池RUL预测方法,主要工作如下:1.根据实际锂电池的退化过程容电量变化的数据序列计算Hurst指数(H),从而判断退化过程长相关性。构建FBM模型的随机微分方程表达式,通过极大似然估计法辨识FBM模型里的漂移系数μ与扩散系数σ,构建离散FBM随机微分方程模型。2.阐述锂电池工作原理与剩余寿命相关概念和预测分析,给出寿命退化的主要内因与外因。由于锂电池一般通过串并联组工作,整体内的独立锂电池故障会直接影响其他锂电池的寿命,因此锂电池RUL预测通常是对各个独立锂电池分别进行RUL预测。接着介绍了锂电池RUL预测的有关概念,选择锂电池容量作为评价寿命是否达到失效阈值指标。3.对离散FBM随机微分方程的预测模型进行验证与参数优化。通过与蒙特卡洛模拟法对比验证FBM模型预测锂电池RUL的有效性。由于FBM中关键的漂移系数μ与扩散参数σ取决于Hurst指数计算值。本文利用一种果蝇优化算法(Fruit-fly Optimization Algorithm,FOA)来对Hurst指数进行参数优化,从而提高漂移系数μ与扩散系数σ的辨识准确性。4.从美国航空航天局艾姆斯预测数据库中选择几组锂电池退化数据作为实验研究对象,以B0018组锂电池退化数据进行FBM模型单独预测实验,以B0005与B0006两组锂电池退化数据进行FBM模型与FOA+FBM模型对比实验。最终应用概率密度函数(Probability Density Function,PDF)和预测误差指标(均方误差和均方根误差),证明了结合FOA算法的FBM预测模型的有效性。