"双碳"发展目标的提出,促进了风能发电、太阳能发电等新能源的跨越式发展,储能技术是新能源产业的核心技术,是迫切需要突破的瓶颈,锂电池作为光伏发电、智能电源等的重要储能容器,具有高能量密度、无记忆效应、环保、维护要求低、以及灵活多样的成组形式等优势,可适应目前对大规模储能的需求。由于锂离子电池的非线性、不一致性和时变特性,很容易导致电池性能衰退,甚至危及生命安全,因此设计安全经济高效的锂电池充电控制策略是十分必要的。锂离子电池有恒压充电、恒流充电、恒流恒压充电（constant current constant voltage,CCCV）等快速充电策略,但是这些充电策略未考虑充电的实时性和经济性,因此提出了将经济模型预测控制用于锂离子电池充电过程。但是现有的充电经济模型预测控制是单层的,具有开环不稳定性和实时性差等问题;并且以往的电池充电策略都是假设充电过程的噪声服从高斯分布,而实际上充电过程中的电流电压噪声可能服从非高斯分布,此时如果再使用传统的控制方式可能会造成控制不够准确,影响电池的充电效果。因此,本文基于信息熵准则设计锂电池充电过程的两层动态经济模型预测控制（economic model predictive control,EMPC）策略,具体研究内容如下:首先针对非高斯干扰下的锂离子电池充电过程在两层结构下设计动态经济模型预测控制充电策略。电池充电时考虑最大可用功率可以提高充电速度,减缓电池的老化过程,延长电池寿命,因此上层基于信息熵考虑未来一段时间内的功率状态（state-of-power,SOP）构建经济性能指标,优化得到最优的参考轨迹。下层设计基于广义互熵（Generalized Correntropy,GC）的模型预测控制器对最优轨迹进行反馈跟踪控制。该控制策略同时考虑了系统的经济成本和过程动态变化,大大降低了计算复杂度,实现了电池快速充电管理。最后通过仿真验证了基于广义互熵的两层EMPC方法较传统基于均方误差（mean squared error,MSE）的两层EMPC、恒流恒压充电策略以及单层EMPC的优越性和快速性。针对模型预测控制（model predictive control,MPC）在线控制动作的计算负担大、计算效率低的问题,在两层动态EMPC框架下设计一种快速的非线性显性MPC算法（nonlinear explicit model predictive control,NExpMPC）。该算法采集各个状态下的数据信息和上层得到的经济最优轨迹,基于广义互熵性能指标函数,利用训练得到的各个状态变量、最优轨迹与其对应的最佳控制动作训练可行域分类器,再利用其中的可行样本数据构建回归模型,即智能控制器。锂离子电池实时充电时,一旦接收到上层优化的最佳参考点,分类器就会直接根据当前数据判断是否可行,再根据当前状态信息调用已经训练好的智能控制器,得到最优控制动作。最后通过仿真验证了提议的控制方法在计算快速性上优于两层EMPC方法,跟踪控制效果方面优于传统的基于MSE的方法。针对锂离子电池充电模型难以精确建立的问题,在两层EMPC框架下提出一种基于Q-learning的MPC算法（QL-MPC）。该算法首先是采集充电过程的历史数据来建立充电状态和控制电流的马尔科夫决策过程（Markov decision process,MDP）模型,然后通过离线强化学习求解最优经济轨迹,上层在线运行时调取当前状态对应的最优轨迹,下层设计QL-MPC控制器进行在线跟踪优化,并将优化数据不断反馈给离线模型进行更新优化来保证控制的准确性。通过仿真分析,验证基于广义互熵的QL-MPC算法的有效性和可行性。