电动汽车(Electric Vehicle,EV)的发展对于维护国家能源安全,减小汽车尾气污染,保障社会可持续发展具有重要意义。荷电状态(State Of Charge,SOC)作为电动汽车动力电池的一项重要参数,对于估算续航里程,防止电池的过充过放以及电池组的均衡管理具有重要意义,因此,准确预测电动汽车动力电池SOC是电池管理系统(Battery Management System,BMS)一项重要的任务。在基于BMS实时采集和上传到云平台的动力电池的各项参数的基础上,为了实现对电动汽车电池SOC的预测,根据以10s为采样周期的动力电池的各项数据,对电动汽车电池SOC的预测方法进行了研究。首先在理论上分析电池SOC的影响因素,选择动力电池平均电压,电流,平均温度作为输入变量预测电池SOC。同时根据电流的特点,分别建立动力电池充电过程和放电过程的神经网络SOC预测模型。为了进一步提高标准BP神经网络在电动汽车电池SOC预测中的精度和收敛速度,提出了一种混合改进灰狼优化算法(GWO)和差分进化算法(DE)优化的BP神经网络(DE-GWO-BP),通过一种非线性收敛因子平衡全局搜索和局部搜索,通过一种变比例权重使领导层灰狼动态指引种群前进。同时在灰狼算法中引入粒子群的思想,使灰狼个体与个体历史最优值信息交互,避免算法陷入局部最优。最后通过DE算法对父代种群进行变异、交叉、选择操作,增加种群多样性,避免GWO算法陷入搜索停滞。通过DE-GWO优化BP神经网络的初始权值和阈值,减小神经网络预测误差。利用1914组放电数据和2504组充电数据对标准BP神经网络、GWO-BP神经网络和DE-GWO-BP神经网络分别进行测试试验,在收敛速度和收敛精度上作了对比和分析。试验结果表明,DE-GWO-BP神经网络的SOC预测方法,在放电过程平均相对误差为0.85%,充电过程平均相对误差为0.52%,明显高于标准BP神经网络和GWO-BP神经网络,较大地提升了预测精度,在收敛速度方面DE-GWO算法快于标准BP神经网络和GWO算法。