峰值功率用来表征电池的最大做功能力,不仅能有效预测车辆在爬坡或下长坡等复杂工况下的通过性,也有利于电池在快充、再生制动模式下的充电管理。峰值功率的精确预测是保障电池在电动汽车上安全、高效和可靠应用的基本前提,对提高整车动态性能以及延长电池寿命有重要的实用价值与理论意义。然而传统的峰值功率预测方法精度欠佳,实用价值不足。为此,本文分别研究了基于二阶RC等效电路模型和机器学习算法的峰值功率预测方法,并对两种方法的各自特点进行探讨。最后搭建实验样机验证所提峰值功率预测方法的实用价值。本文主要内容如下:（1）分析了不同种类锂离子电池参数模型的工作原理与适用场合,论述了三种主流的峰值功率测试方法的各自特点。搭建峰值功率测试平台,设计了基于恒功率法的峰值功率测试方案,根据测试结果分析温度、欧姆内阻、荷电状态（SOC）与峰值功率四者之间的影响关系。使用递推最小二乘法完成在不同温度下对二阶RC等效电路模型的参数辨识,得到了精度较高的电池模型。（2）使用第二章所辨识的二阶RC等效电路模型,构建基于开路电压、SOC和电池充放电电流限值三重约束下的峰值功率预测模型。使用卡尔曼滤波算法估算电池的SOC,经过城市道路循环工况（UDDS）验证SOC估算的平均相对误差为1.64%。推导计算电池在不同充放电持续时间下的最大允许电流,结合二阶RC等效电路模型得到的端电压,最终得到电池峰值功率的表达式。搭建基于Matlab的峰值功率预测模型,该模型无需进行峰值功率实验,即可实现在任意放电持续时间与温度下的峰值功率预测,具有较好的通用性能,经验证模型预测结果的平均相对误差为2.55%。（3）使用机器学习算法实现对峰值功率的精确预测。从不同角度研究变量内在相关性,最终将输入变量确定为温度、内阻与SOC。推演证明了量子粒子群（QPSO）算法的全局收敛特性,引入权系数与自适应收缩扩张系数,实现对QPSO算法寻优性能的提升;利用改进后的量子粒子群算法确定模糊神经网络（FNN）中隶属度函数的中心位置、宽度以及输出层的权值,从而建立改进型QPSO-FNN模型。相比于FNN模型与QPSO-FNN模型,改进型QPSO-FNN模型预测精度更高,平均相对误差仅为1.2%,能够更加准确的反映电池峰值功率特性。（4）将精度更高的改进型QPSO-FNN模型的预测结果作为参考数据,搭建基于FPGA的峰值功率预测样机。设计信息采样电路和基于Verilog语言的软件系统,并使用ModelSim进行原理仿真。实验结果证明,样机的预测误差在±10W之内,可实现对峰值放电功率较为可靠的实时预测。