为克服全球温室效应,改善环境污染,发展清洁绿色能源成为世界发展的必然趋势。太阳能电动汽车因其零排放、无污染的特性逐渐成为新能源汽车的研究重点。随着太阳能电动汽车的不断发展与应用,太阳能电动汽车关键技术的研究显得愈加重要。太阳能电动汽车电池管理系统(Battery Management System,BMS)是连接汽车整车、电池组和光伏电池板的桥梁,其性能对改善光伏发电效率、延长电池组使用寿命、提高汽车行驶里程有重大意义。为了充分利用太阳能电动汽车光伏电池产生的电能,光伏发电系统的运行必须快速准确地跟踪光伏发电最大功率点。常规改进扰动观察法跟踪在最大功率点附近振荡运行,固定步长的设定难以兼顾跟踪精度和响应速度。为了快速准确的跟踪最大功率点,解决跟踪精度与响应速度之间的矛盾,论文提出一种基于功率预测的变步长模糊控制方法。在功率预测法的基础上引入功率阈值点提高算法快速性,利用模糊控制对变步长实现实时控制,最终实现最大功率点跟踪。仿真结果表明:基于功率预测的变步长模糊控制方法最大功率跟踪精度为97.7%,跟踪效率为97.255%,跟踪速度明显优于快速收敛法等方法。实验结果表明:基于功率预测的变步长模糊控制方法实际最大功率跟踪跟踪精度为95.23%,跟踪效率为95.725%。基于功率预测变步长模糊控制方法能够快速准确追踪最大功率点,保持系统的动态性能和稳态性能。荷电状态代表电池剩余电量的多少,准确的SOC估算方法对电池防止过充、过放及提高电池使用寿命具有重要意义。为了有效地提高SOC估算精度,克服自适应卡尔曼滤波算法过于依赖精确电池模型,且要求系统噪声必须服从高斯白噪声分布等缺陷,论文提出一种遗传算法自适应无迹卡尔曼滤波(GA-AUKF)电池荷电状态联合估算方法。首先,为准确模拟电池的工作机制,表达电池主要参数之间的关系,本文基于二阶等效电路模型,采用遗忘因子递推最小二乘法(FFRLS)对模型参数在线辨识;其次,为减弱系统噪声与测量噪声对SOC估算精度的影响,使用遗传算法对自适应无迹卡尔曼滤波噪声矩阵进行优化更新;最后,将FFRLS与GA-AUKF联合进行SOC估算。仿真结果表明:本文算法估算精度较高,估算误差在1%以内,算法精度明显优于AUKF等算法,能有效降低滤波噪声协方差影响提高估算精度,。论文提出基于功率预测变步长模糊控制方法能够有效地提高最大功率跟踪精度,保证跟踪效率;GA-AUKF联合估算方法解决了动力电池模型复杂度与估算精度之间矛盾,为太阳能电动汽车电池SOC在线联合估算提供了新的方法。最大功率跟踪性能与SOC估算精度的提高,为后续太阳能电动汽车电池管理系统的实验研究奠定了坚实的理论基础。