在石油资源的逐步枯竭和自然环境日趋恶化的今天,纯电动汽车以其环保、低能耗的优点成为了公认的引领未来汽车工业发展的方向,其动力电池系统管理技术的研究与创新是当前的热点课题。电池荷电状态(state of charge,SOC)和车辆续驶里程是电池管理系统中两个重要参数,对指导电动汽车的驾驶有重要意义。但是由于行驶工况复杂多变,电动汽车SOC数据和单位里程能耗也有很大差异,这使得电动汽车动力电池SOC估算和续驶里程预测的精度都受到了严重影响。为了提高SOC估算和续驶里程预测的精度,本文进行了一些研究,主要内容如下:本文首先简要介绍了电动汽车SOC以及续驶里程的研究现状,对现有方法进行简单分析。之后为了获得相关数据,依照实车参数对汽车仿真软件ADVISOR中的模型参数进行了设置,并将仿真结果数据与实车测试数据进行对比,验证了模型参数设置的合理性。其次,分析了人工智能方法估算SOC时的局限性:由于不同工况下的SOC相关数据有很大差别,如果使用单一数据进行建模,模型的泛化能力难以保证;而使用多种工况下的混合数据进行建模,学习机的学习负担增重,模型精度下降。为了克服这一缺陷,提出了一种将数据特征聚类与集成学习相融合的SOC估算方法——多模态集成支持向量回归(Multimodal ensemble support vector regression,ME-SVR)。实验证明,该方法在提高估算精度的同时,保证了方法的泛化能力。之后为了建立汽车续驶里程估算模型,对影响电动汽车里程的因素进行了分析介绍,指出行驶工况是影响汽车续驶里程的主要因素。并通过工况片段划分和工况片段聚类,对四种常见工况下的单位里程SOC下降值进行了分析,使用工况类别和其他相关参数作为输入,建立了单位里程SOC下降值估算模型。最后,针对未来行驶工况未知导致续驶里程预测精度难以提高的现状,提出了一种基于地图信息和迭代SVR模型的纯电动汽车剩余续驶里程预测方法。该方法根据地图信息预测未来的行驶工况,并将相应的未来工况类型输入到单位里程SOC下降值估算模型,计算出未来每公里的SOC变化,以实现剩余续驶里程的预测。利用实际行驶数据,在ADVISOR中进行仿真实验,实验结果证明该方法具有较高的续驶里程预测精度。