蓄电池的荷电状态(state of charge,SOC)是表征电池当前剩余电量的重要参数,而电池等效模型的建立以及模型参数的辨识对电池SOC的准确估计具有重要意义。本文以蓄电池为研究对象,利用主从式无迹卡尔曼滤波(master slave adaptive unscented kalman filter,MS-AUKF)、改进鲁棒极限学习机以及智能优化算法对蓄电池SOC进行估计。具体方法如下:针对传统的扩展和无迹卡尔曼滤波(extended kalman filter,EKF and unscented kalman filter,UKF)方法存在噪声方差固定,会产生误差造成估计精度不高的问题,提出一种基于神经网络和MS-AUKF算法的SOC估计方法。首先,建立蓄电池的二阶戴维南(Thevenin)模型,针对开路电压与电池SOC之间的非线性关系,采用神经网络模型代替多项式模型,以提高拟合精度。根据实验测量数据,确定电池模型的参数。采用MS-AUKF算法估计电池SOC。该算法的主滤波器用来估计系统状态,辅助滤波器用来估计噪声方差矩阵。算法每次迭代时更新系统模型的噪声方差,克服了传统卡尔曼滤波算法中,噪声方差初值人为设定可能导致滤波发散的缺点。上一章提出了基于神经网络和MS-AUKF算法的SOC估计方法。为了进一步提高辨识模型的精度,建立蓄电池的三阶Thevenin等效电路模型。为了有效提高辨识算法的性能,提出一种基于改进天牛群算法的模型参数辨识方法。引入混沌初始化,使初始值遍布整个解空间,增大了算法求解最优值的概率,提高了估计精度;加入高斯扰动,利用含高斯扰动因子的所有粒子最优值总和的平均值来引导粒子下一步的速度,有利于算法跳出局部最优解,加快了收敛速度。测试函数对算法寻优性能的测试结果表明:相比于原始天牛群算法,改进算法具有更快的收敛速度和更高的估计精度。对蓄电池的参数进行辨识,结果表明:改进算法具有很好的收敛性和很高的预测精度。在前两章对蓄电池SOC估计的基础上,本章研究用于纯电动汽车的蓄电池SOC估计方法,提出了一种基于鸟群算法优化鲁棒极限学习机的蓄电池荷电状态估计方法,并将此方法应用于纯电动汽车蓄电池的内部荷电状态估计。鲁棒极限学习机克服了极限学习机不能处理异常值的缺点,提高了网络的预测准确率。利用鸟群算法优化鲁棒极限学习机的隐层节点和调节因子等参数,解决隐层节点和调节因子等参数难以确定的问题,可进一步提高网络的收敛速度,且利于寻找全局最优值。利用ADVISOR软件采集影响蓄电池荷电状态的主要参数进行建模和测试。仿真结果表明,均采用鸟群算法优化,鲁棒极限学习机比BPNN、RBFNN、FNN和ELM的估计误差更小,具有更高的预测精度。