目前能源与环境问题日益严重,大力发展节能与新能源汽车是解决能源环境问题的有效途径,同时也是实现国家生态文明建设的有力举措。与传统燃油汽车不同的是,新能源汽车采用燃料电池组作为全部动力能源或者动力能源之一,准确、实时获取燃料电池组的荷电状态(State of Charge,SOC)是电池管理系统必不可少的功能。为了提高对电池SOC的准确估算,本文提出了一种基于剪枝神经网络的燃料电池组荷电状态预测算法。通过改进粒子群PSO(Particle Swarm Optimization)算法的快速收敛特性对BP(Back Propagation)神经网络进行优化,之后对网络模型进行剪枝处理,压缩模型拓扑结构,减少计算复杂度,提高模型训练速度与精度。主要研究内容包括以下3个方面:1.评价函数对燃料电池组的动态特征和静态特征进行对比分析,确定输入神经元的组成向量。通过动态特征和静态特征两种评价方法分析电池放电电压等动态特征和电池厂商等静态特征对SOC准确率的影响,选择可靠、对实验结果影响大的特征因子作为训练样本对模型进行训练,从而有效的提高SOC预测结果。2.改进了粒子群算法。传统粒子群算法在粒子迭代过程中容易出现早熟收敛陷入局部最优解的问题,同时不合适的学习因子、惯性权重等参数,可能会导致最终的收敛结果不精确。因此本文提出改进方法,利用Logistic函数混沌初始化粒子的空间位置;引入FWA(Fireworks Algorithm)算法,增加粒子迭代过程中的随机性;建立新的参数公式动态调参;提出循环单维度寻优策略,维系粒子群多样性的同时,避免粒子越过最优解。实验证明改进后的粒子群算法能够有效提高收敛速度与收敛精度。3.优化了 BP神经网络初始参数及拓扑结构。利用粒子群算法的快速收敛特性,在全局范围内进行大致搜索,得到一组较优的初始权值、阈值,以此进行模型的训练。之后使用剪枝算法对BP神经网络模型拓扑结构进行压缩,去掉冗余的连接权值,保存稀疏格式模型。通过融入粒子群算法,在保持BP神经网络模型细化能力的同时,也提高了模型的训练精度。实验结果表明,基于PSO优化BP神经网络的SOC预测算法可以缩短模型的训练周期时间,提高预测的准确率。