动力电池的参数监控是新能汽车的关键性技术,电池相关参数监控的准确性直接影响新能源汽车整体的性能。本文将常用的18650动力锂电池作为主要的研究对象,提出一种基于基于莱维飞行步长的群搜索优化算法（Levy Group Search Optimizer-back propagation,LGSO-BP）神经网络锂电池荷电状态（State of Charge,SOC）估算方法,应用莱维（Levy）飞行步长优化后的群搜索优化算法对建立的SOC神经网络模型进行优化设计,来提高神经网络对SOC相关参数估算的准确性。本文首先对常用锂电池的基本结构进行阐述,详细剖析锂电池运作的基本原理,重点分析了锂电池容量、放电平台、电压、内阻、倍率放电性能等电性能参数基本含义以及作用。对各种温度条件、各种放电倍率情形下的锂电池放电曲线展开了研究。其次,根据锂离子动力电池SOC定义,分析了影响锂电池SOC估算的各种因素,并对各种SOC估算方法的优缺点进行了详细分析。由于BP神经网络在在求解高维数据单峰函数、多峰函数优化问题时可以表现出优良的功能,特别是针对高维运算函数,其优势突出,操作简单,收敛效率高,并且保持较强的精准性,因此本文确定采用的基于BP神经网络的SOC估算模型。虽然BP神经网络有着较为突出的优点,但其运算方法计算难度大、时间损耗长,在计算末期,收敛速率有非常显著下降,更有甚者会产生停滞现象,不利于使用。因此本文提出了基于Levy飞行步长的算法改进方法,其短距离的频繁多次搜索能够提升局部性的搜索水平更为精确的获取局部最优解,偶尔的跳跃式远距离的搜索可以很有效的扩大搜索范围更有效的加强全局搜索能力,以规避落入局部最优。在应用9个Benchmark函数对建立的基于Levy飞行步长的群搜索算法（LGSO）性能进行了对比验证后,验证了该算法的有效性。最后,应用实测的锂电池工作电气参数的工作电流、工作电压、温度数据作为LGSO神经网络算法作为输入参数,对锂电池SOC进行估算。分别对模型适应的值、收敛特性、SOC预测曲线、预测误差进行了分析。得出针对锂离子电池的SOC估算值问题上,LGSO算法有较高的优化能力,神经网络预测精度较高的结论。在保留BP神经网络自身优势情况下,有效提高神经网络相关参数的优化能力,引入Levy飞行步长提高个体多样性,兼顾了搜索速度、局部最优与全局最优三者之间的平衡,使估算结果更加精确。