SOC(State of Charge)作为电池管理系统BMS(Battery Management System)中的一个核心参数,对其估计的准确度将会直接影响BMS的工作性能,影响汽车驾驶人员对电池状态的把握和驾驶体验。然而,目前对于SOC估计的算法尚不成熟,在实用性和适用性上还有很大改进的地方。为了解决SOC估计精确度的问题,本文以神经网络估计SOC为基础,针对电池在静态和动态工况下的特点,分别对神经网络进行了相应的优化改进,以达到提高SOC估计精度的目的。主要工作内容如下:本论文首先简单介绍了目前电动汽车的发展状况,阐述了国内外关于BMS系统和SOC的研究现状,分析了SOC常见估量办法并对其优缺点进行了比较。设计了相关电池实验,通过结合实验对电池的温度特性、循环特性、倍率特性进行了深入研究,分析了电池倍率、温度以及开路电压等对电池SOC的影响。然后本论文针对SOC的特点设计了基于BP神经网络的估计模型,在综合分析各个变量对SOC的影响后,选取了电压、电流和温度三个变量作为网络输入,设计了三层的网络结构模型,并对训练样本进行归一化和随机交叉排序处理,利用梯度下降学习法对网络进行训练和测试,并采用25℃下1C放电数据进行静态离线环境下实验验证。随后针对BP神经网络对SOC估计精度不高的问题,提出了利用免疫遗传算法优化BP神经网络的方法。该方法利用免疫遗传算法的快速收敛和全局最优的特点优化BP神经网络的权值和阈值,通过免疫遗传算法中的记忆单元能够在网络训练的时候形成动态反馈的效果,加速网络训练,提高网络学习效率。最后针对汽车实际动态工况,电池的参数动态变化,提出了一种新颖的基于实际工况下的混沌萤火虫优化小波神经网络的CFA-WNN的估计算法,该方法通过模拟萤火虫觅食行为寻找最优解值,通过混沌序列的映射进一步的优化了其寻优过程,另外在小波神经网络中也引入了动量项梯度下降法用于提高网络的学习效率。接着设计了用于实际工况下的SOC网络估计模型,利用电池工况数据,在实验平台上进行了效果验证。