电池管理系统(BMS)对混合动力汽车(HEV)动力性、经济性的匹配优化和电池寿命的延长都具有重要意义。本文以HEV用8Ah144V镍氢电池组为研究对象，重点开展荷电状态(SOC)估计和BMS控制策略的研究，具体成果如下：　　 以改进复合脉冲实验为基础，开展基于EKF算法估计SOC的研究。设计了等间隔SOC点的复合脉冲实验，利用分段线性回归的方法对戴维南(Thevenin)模型参数进行辩识；基于扩展卡尔曼滤波(EKF)算法对SOC进行估计，并增加静态常数增益对SOC估计进行全程滤波修正。同时通过动态增益以改善EKF算法对电流突变的适应能力，加快了EKF算法的收敛速度，得到了很好的跟踪预测效果。　　 基于自适应神经模糊推理系统(ANFIS)理论开展SOC估计的研究和应用。建立了基于神经网络结构的Takagi_Sugeno模糊推理SOC估计模型，并采用相关分析法确定模型的输入变量。采用带动量因子和学习步长的BP算法估计前提参数，并采用LSE算法辨识结论参数来加强模型的收敛和寻优能力，克服了单一BP算法的局部最优问题；采用减法模糊聚类分析算法，优化输入变量模糊集合的划分及模糊规则的数目，提高了模型训练的收敛速度，在满足预测精度的前提下，大大降低了模型的复杂程度。　　 在自行开发的电池管理控制策略基础上，对两种SOC估计算法进行实验验证。由台架和实车测试验证EKF算法的结果表明：在大电流情况下，EKF算法估计值可以对电流积分SOC值进行修正，解决了单一电流积分法初值不准和累计误差的问题。由硬件在环仿真验证ANFIS算法的结果表明：基于非线性原理的ANFIS算法能更好地模拟电池的输出特性。与EKF算法相比，ANFIS对于特定的电池工况，具有更高的SOC估计精度，而且不需要时间上的迭代收敛过程。