锂离子电池由于其输出电压高、能量密度高、循环寿命长、自放电率小和循环性环保性好等优点,被广泛应用于各个领域。随着锂离子电池的发展,对电池的可靠性和使用寿命也有了更高的标准。电池的荷电状态SOC(State of Charge)和循环寿命作为电池管理系统BMS(Battery Management System)中的重要参数,相互之间存在着一定的联系,对SOC准确估计和循环寿命的准确预测将会对BMS的工作性能产生直接影响,客观反映如汽车驾驶者对电池状态的把握和驾驶感受等。本文针对这两个关键技术问题进行研究,在已有的一些研究基础上利用改进和算法结合的方法进行探索。本文首先以锂离子电池在电动汽车行业中的应用为出发点,介绍了电动汽车行业发展现状以及电池管理系统,简述了国内外电池SOC和循环寿命的研究现状。本文选用磷酸铁锂电池作为主要研究对象,通过实验室自主搭建的实验平台,针对电池设计了一系列的相关实验,基于实验数据深入分析了影响电池荷电状态及循环寿命的关键因素。其次,针对电池SOC的估计,本文选取了改进的电池等效电路模型和扩展卡尔曼滤波EKF(Extended Kalman Filter)相结合的算法进行实时估计。通过开路电压和混合脉冲功率特性HPPC(Hybrid Pulse Power Characteristic)实验对改进电池电路模型进行参数辨识、验证,利用搭建的实验平台模拟电动汽车实际工况下的DST(Dynamic Stress Test)和FUDS(Federal Urban Driving Schedule)测试数据,对建立的状态空间模型进行验证。仿真结果显示两种模拟工况下的误差都在1.1%以内,说明该算法具有较高的准确性和可行性。最后对锂离子电池的循环寿命进行预测研究。本文规定当电池容量衰减到标准容量的80%时为寿命终止,从初始容量到寿命终止时的循环次数作为研究对象。提出由改进粒子群算法和广义回归神经网络相结合的方法对循环寿命进行预测研究,在粒子群算法中加入改进的学习因子以及惯性搜索权重,并选取NASA(National Aeronautics and Space Administration)、MIT(Massachu-setts Institute of Technology)的锂离子电池公开数据和自主搭建的实验平台所测循环数据来验证算法精度。