石油等化石能源的渐近枯竭和城市大气环境的日益恶劣促使人类开始寻找更加节能、环保的交通工具以替代传统内燃汽车,因此以动力电池为动力源的电动汽车得以迅速发展。电池的荷电状态(State of Charge,SOC)作为电池动力性能、估计汽车续航里程的重要指标,对其估算的准确性直接影响驾驶者对电池状态的掌握和行驶计划的制定,甚至关乎其对电动汽车的接受程度。然而对动力电池SOC估算的研究还处于起步阶段,各类算法在适用性和实用性方面尚存不足。本文以电动汽车电池SOC作为研究目标,以被广泛采用的磷酸铁锂电池作为研究对象,展开讨论。首先对现有电池SOC估计方法进行总结、分析,针对电动汽车锂电池静态充电和汽车行驶时电池动态放电两种状态,分别建立两种网络模型进行研究。对于静态充电过程,提出基于粒子群优化算法的最小二乘向量机估算方法。该方法利用粒子群算法收敛速度快和全局寻优的特点优化最小二乘向量机模型的参数,解决了电池SOC估计非线性模型参数优化问题。针对电动汽车行驶过程中锂电池放电受环境影响,参数动态变化,提出基于改进自组织递归模糊神经网络(Self-organizing Recurrent Fuzzy Neural Network,SRFNN)模型算法对电池SOC进行在线估计。改进的SRFNN网络结构在TSK型网络结构模糊规则的后件部分引入函数链接型神经网络(FLANN),以增强反馈映射能力。前件部分和递归参数学习采用梯度下降法,后件参数的学习更新采用卡尔曼滤波法算法。模型的初始规则数为零,所有的模糊规则都是通过结构和参数同时在线学习产生。通过MATLAB用两种网络模型分别对电池静态充电和动态放电状态下SOC估计进行验证。粒子群最小二乘向量机算法无论从模型精度还是稳定性都能够对“静态”电池SOC实现较为准确的估计。改进SRFNN算法也具有较强的学习能力,与典型的TSK型自组织递归模糊神经网络模型和递归模糊神经网络模型比较,在保证较好泛化能力的同时,能够有较好的逼近精度,可以实现对锂电池SOC的在线估计。