日益严重的环境问题引发人类对清洁能源的迫切需求,电动汽车随之应运而生且迅速发展,同时带来了对充电桩的迫切需求。目前,传统的充电桩频繁接入电网,对电网的稳定性和电能质量产生影响。光伏充电桩的出现解决了上述问题的同时,还避免了对电缆资源和土地资源的浪费,其借助储能电池可以实现独立运行。因此在独立光伏发电系统中,储存能量的储能电池是不可缺少的组成部分。储能电池受环境温度变化、过充放电等因素的影响等,使其寿命变短。在储能电池生产技术没有改进的情况下,要想延长储能电池的使用寿命,就要有效的防止储能电池的过度电或放电,所以储能电池的中心问题便集中到精准判断电池的剩余量(State of Charge,SOC)上。本文以光伏直流充电桩为研究对象,完成了对光伏直流充电桩系统整体结构的确定,该结构由光伏系统、控制系统和防护系统构成。并对系统中的主要硬件电路做了详细的设计,分析了光伏系统中光伏阵列的工作原理及输出特性;采用单向和双向DC/DC变换器分别实现最大功率跟踪和储能电池和直流母线之间降压和升压的能量双向流动功能;对储能电池充电方法进行分析,并将MPPT功能与储能电池剩余量相结合,对储能电池采取三阶段式充电方法。第一阶段进行最大功率充电使储能电池容量达到70%～80%,第二阶段恒压充电冲入剩下的20%～30%,最后阶段浮充以补偿储能电池的自放电。对电池剩余量预测方法进行了介绍和比较,采用神经网络法中的KELM法对储能电池剩余量进行预测,将其与ELM算法估算的电池SOC进行比较。本文最后对光伏阵列、最大功率跟踪和双向DC-DC三个部分进行了仿真,使用Matlab中的Simulink仿真系统,验证其在实验设计的合理性。采用Matlab软件和公开的锂离子电池充放电数据集建立核极限学习机模型,设定合适的运行参数,构成预测模型的骨架,之后通过对测试集的多次测试与误差分析,结果显示KELM神经网络预测的结果和误差范围均比ELM神经网络要好,表明本文所述储能电池剩余量预测方法具有较好的预测效果。