本文得到了来自中国航天科工集团“蓄电池剩余电量监控系统”项目的支持,主要研究和建立了基于神经网络的蓄电池剩余电量的预测模型,系统可应用于对蓄电池剩余电量有精确预测需求的设备中。本文建立了基于自适应神经网络模糊推理系统(ANFIS)的蓄电池剩余电量预测模型。首先介绍了ANFIS的相关理论,指出选用该算法的原因;接着分析了影响蓄电池SOC的主要因素,以此确定作为模型输入的相关蓄电池参数,再对各输入参数的论域进行了模糊集划分和隶属度函数计算;最后得出ANFIS模型结构,确定了网络学习算法。进行相关实验,依照实验数据对模型进行了训练及验证。首先介绍了实验所用设备及制定的实验方案,对实验数据进行初步分析;然后编写了MATLAB仿真程序并制定了具体仿真方案,用不同方法构造初始ANFIS模型,利用实验数据对模型网络进行训练,分析过程中ANFIS的结构和参数的变化,将模型值与实际测得的结果进行对比。仿真结果表明了该模型对几种ANFIS网络的预测都比较准确,采用减法聚类法产生的ANFIS网络最优—经训练后,其节点数相对最少。最后,对网络的各个参数进行了调整并再次用仿真比对预测效果。完成了硬件的设计和软件的开发。硬件设计方面,测量单元采用单片机集成了蓄电池内阻、电压、电流、温度的测量及通信等模块,其中的难点在于蓄电池内阻的测量,文中用交流(正弦波)注入法测量内阻。软件方面,系统由测量单元和显控单元组成,前者主要完成蓄电池数据的采集并传输给显控,后者主要运行ANFIS算法并将结果提供给用户。测量单元同时要求完成蓄电池各参数各测量及低功耗控制等工作;另外,显控单元包括用户UI的设计。最后,本部分还制定了基于MODBUS-RTU的通信协议的指令及应答规则。文章最后部分测试了系统的实际运行效果。测试结果显示:测量单元所测得数据误差在5%以内,ANFIS算法处理显控单元及测量单元数据得到的蓄电池SOC预测值与实测值误差最大为0.0046,该结果满足工程应用需求。然而,系统(尤其是显控单元)存在运行速度较慢且占用显控单元资源较多的问题,导致了显控系统的整体性能降低,鉴于此,提出了两种改进方法,并对前景进行了审慎的预测。