电池管理系统（Battery Management System,BMS）是连接电动汽车和锂电池的重要桥梁,锂电池的荷电状态（State of Charge,SOC）是电池管理系统中的关键参数,对于电池的安全稳定运行具有不可忽视的作用。然而,SOC的值无法通过直接测量得到,因此,准确估计锂电池的SOC就成为了一个亟待解决的问题。本文主要研究基于双向长短期记忆（Bidirectional Long Short-Term Memory,Bi LSTM）网络、双向门控循环单元（Bidirectional Gated Recurrent Unit,Bi GRU）、正则化极限学习机（Regularized Extreme Learning Machine,RELM）的锂电池SOC估计方法,研究内容可概括如下。第1,为了采集锂电池在不同工况下的放电数据,采用新威电池测试仪为主体的锂电池充放电测试平台,并基于该平台对锂电池在城市道路循环（Urban Dynamometer Driving Schedule,UDDS）工况和统一测试循环（Unified Cycle Driving Schedule,UCDS）工况下进行了放电测试,实时采集了电池的端电压数据和电流数据并将其确定为神经网络模型的输入变量。第2,为了对锂电池的SOC进行精确估计,提出了一种基于双向长短期记忆神经网络Bi LSTM和Savitzky-Golay滤波器的混合模型SG-Bi LSTM的Adam（Adaptive Momentum Estimation）算法估计锂电池SOC。在这种混合模型中,采用Bi LSTM作为主要结构对SOC进行估计以实现对不同时刻电池数据的充分利用;采用Savitzky-Golay滤波器对网络输出的SOC估计值进行进一步优化处理以提高估计精确度。将经过优化处理后的SOC估计值作为模型的最终估计值。第3,为了对锂电池的SOC进行精确估计并减少模型参数,提出了一种基于注意力（Attention）机制和双向门控循环单元Bi GRU的Adam算法估计锂电池SOC。在这种混合模型中,采用Bi GRU作为主要结构,对SOC进行估计以实现对不同时刻电池数据的充分利用并减少网络参数;引入Attention机制以进一步提高模型对SOC的估计精确度。第4,为了对锂电池的SOC进行精确估计并减少训练时间,提出了一种基于正则化极限学习机RELM的共轭梯度（Conjugate Gradient,CG）算法。在这种混合模型中,为了简化网络结构、减少网络参数,采用输入层权重和隐藏层偏置固定的RELM结构对SOC进行建模,减小了算法的运算量;采用CG算法对网络参数进行求解,避免了逆矩阵的计算,同时实现快速收敛。第5,为了提高模型的智能性及模型的泛化能力,提出了一种谱Fletcher-Reeves（Spectral Fletcher-Reeves,SFR）算法和天牛须搜索（Beetle Antennae Search,BAS）算法联合优化的正则化极限学习机BAS-SFR-RELM。在这种混合模型中,采用RELM网络作为主要结构对SOC进行估计;为了使RELM的泛化能力达到最佳,采用BAS算法对正则化系数进行优化;为了进一步优化模型的训练过程,采用SFR算法对网络参数进行求解。