面对全球气候的恶劣变化,纯电动汽车成为汽车产业未来发展的主要方向,而影响电动汽车发展的主要因素是其动力源的蓄电池。为了确保电动汽车的安全、稳定、正常运行,需要对蓄电池进行必要的控制和管理以使其能够保持良好的性能并延长它的使用寿命。所以,合理利用蓄电池对电动汽车是非常重要的。然而,及时、准确地获取电池剩余电量是对电池进行控制和管理的主要方面。这是因为电池剩余电量的多少直接反映了电池所处的状态,通过它可以预测电动汽车的续驶里程,避免电池的过充过放,均衡电池性能之间的不一致性,从而保证了电动汽车的安全、稳定运行。所以对电池剩余电量进行实时在线估计是非常重要,也是很有意义的。由于电池剩余电量与各影响因素之间复杂的非线性关系,对其建立准确的数学模型比较困难,因此应用径向基函数神经网络对电池剩余电量进行预测。首先,通过电池数据远程管理系统的自动导出功能将所需要的电池信息导出到Excel表中,并进行异常数据处理、数据的完整性处理以及电池充放电数据分类处理,为获得实验数据设计了数据处理的算法,并对实验数据进行归一化和标准化处理。然后,将与电池剩余电量有关的因素作为输入变量,电池剩余电量作为输出变量,基于Matlab平台对电池剩余电量建立神经网络模型,并用K均值聚类算法对网络进行训练。为了将该电池剩余电量估计方法应用于低成本的嵌入式系统中,本文应用神经网络影响度分析法,提取对电池剩余电量影响重要的输入变量简化神经网络的结构,对网络重新进行训练,得到电池剩余电量的预测模型。最后,论文为了解决K均值聚类算法对初始值的依赖性,研究了用遗传算法改进RBF神经网络学习算法,对隐含层中各径向基函数中心和宽度进行了全局寻优搜索,以保证找到最优解。实验结果表明,该方法对初始值的选择不敏感,并且比K均值聚类算法具有更好的逼近性。