随着能源危机和环境污染日益严重的问题,电动汽车的蓬勃发展已成为必然趋势。作为电动汽车能量的来源,动力电池已成为研究的重点。近年来,智能算法对电池的状态预测研究受到国内外学者广泛的重视。本文基于神经网络算法和联合法等方法,提出了预测电池荷电状态(State of Charge,SOC)、健康状态(State of Health,SOH)和剩余使用寿命(Remaining Useful Life,RUL)的方法,采用实验结合仿真的方式,深入研究对电池健康状态和剩余使用寿命预测精度不高和单一参量预测局限性的难题。本文的主要研究工作和创新点如下:(1)通过测量实验发现,锂电池内阻对其SOC的预测有重要影响,而现有文献中很少研究电池内阻对SOC预测的影响。本文采用BP神经网络方法,将采集电池的电压、电流、内阻和温度作为网络的输入,电池SOC作为神经网络的输出,建立SOC预测模型进行仿真实验。相比现有研究工作,本文加入内阻作为输入的预测模型,比未加内阻的模型预测精度更高,误差波动小。(2)在研究工作(1)的基础上,分别提出改进型容量法、改进型内阻法和电压法估算电池的SOH。与现有预测方法对比,三种方法的预测时间大大缩减,通过仿真实验,从而验证了三种单独方法的预测精度高。在此基础上又提出基于BP神经网络联合方法估算电池的SOH,并且通过仿真实验,验证了遗传神经网络联合方法相比BP神经网络联合方法和粒子群神经网络联合方法预测SOH的优势。(3)在研究工作(1)和(2)的基础上,分别提出基于曲线拟合、卡尔曼滤波和灰色神经网络算法预测电池的剩余使用寿命。并在此基础上,提出基于神经网络联合方法预测电池的剩余使用寿命。通过仿真实验,验证了基于神经网络联合方法预测精度高于其他三种方法。同时通过仿真对比,验证了粒子群神经网络联合方法相比BP神经网络联合方法和遗传神经网络联合方法预测RUL的优势。