镍氢(MH-Ni)电池作为一种可充电电池,由于其电阻小、放电电流大、电压稳、寿命长、无记忆效应、无重金属污染而得到广泛应用。在放电过程中,电池工作状态会随着环境不同而改变,故建立反映电池动态特性的剩余电量评估模型就有着重要意义。在充电过程中,镍氢电池内部的电化学反应是一个对环境敏感的复杂的非线性过程,对于这一过程有效的数学模型非常复杂,所以寻找较好的网络模型,进行有效的建模,采用正确的控制方法,改善镍氢电池充电技术意义重大。目前工业应用中大多数采用的是基于BP算法的静态前馈BP神经网络和RBF神经网络。利用静态前馈网络对动态系统进行辨识,实际上是将动态时间建模问题变为静态空间建模问题,因此将会出现许多问题。Elman型是一种典型的动态神经元网络,它在前馈人工神经网络基本结构的基础上,通过存储内部状态使其具备映射动态特征的功能,从而使系统具有适应时变特性的能力,代表了神经网络建模和控制的方向,故本文选用Elman网络。首先,在分析影响镍氢电池剩余容量的多种因素并且综合国内外常用的预测镍氢电池的几种方法的基础上,研究了镍氢镍氢电池的容量预测问题。考虑到BP算法收敛速度慢且容易陷入局部极小点等问题,本文采用了遗传算法对Elman网络模型进行了优化,仿真结果证明,该方法提高了预测精度。其次,在分析MH-Ni镍氢电池的充电特性的基础上,利用Elman网络能在有限的时间内以任意精度逼近任意函数和在训练后能够识别和产生空间模式和时间模式的特点,本文采用了神经网络模型参考自适应控制方案,设计出了镍氢电池的智能充电系统。仿真结果表明,这种方法缩短了充电时间、提高了充电效率、延长了电池的使用寿命,达到了工业控制要求。