随着汽车的普及,能源消耗与环境污染成为了不可忽视的社会问题。电动汽车(Electric Vehicles,EVs)作为一种节能、环保的新型交通工具应运而生。动力电池作为EVs核心部件之一,其荷电状态(State of Charge,SOC)的准确估计直接关系到EVs的性能与行驶安全,防止电池过充、过放等非正常工作方式。数据驱动法是使用较为广泛的SOC估计技术之一,能很好地拟合电池的工作电压、工作电流等外部参数与SOC之间的映射关系。然而,传统的数据驱动模型通常忽视了环境变化给模型可靠性带来的影响。首先,EVs工作的环境温度范围宽,工作工况动态变化,传统的数据驱动建模方法难以通过实验获取涵盖所有温度、工况的数据;其次,随着动力电池的老化衰减,参数和SOC之间的关系发生变化,已有的估计模型失效,SOC的估计精确度降低。因此,针对上述问题,本文重点开展基于自适应学习的SOC估计方法研究,主要工作如下:(1)将集成学习用于SOC估计。当旧的集成模型失效时,利用新的电池数据建立新的集成模型,然后通过基于互信息的遗传算法,从新旧两个集成模型中选择子模型组成最终的预测模型,从而实现模型的动态更新。(2)对高斯过程回归(Gaussian process regression,GPR)进行改进得到一种基于在线高斯过程回归(Online-GPR)的SOC估计方法。当新的电池数据可用时,通过重组训练集来更新GPR的协方差矩阵与超参数,从而实现预测模型的自适应学习。(3)开展了锂电池充放电实验,采集实验数据并进行数据处理,从数据分布的角度说明概念漂移现象;然后使用上述两种自适应算法有效地解决了概念漂移,提高了SOC估计精确度;最后,通过对比实验验证了两种算法的优越性。