动力电池的荷电状态即电池的剩余容量常用SOC(state of charge)表示,其值的准确估计意义重大,现有SOC估算算法存在计算周期长、精度低等其他缺陷,在众多SOC估计算法中,数据驱动模型能够很好地消除模型驱动自身的一些缺陷,同时数据驱动模型能够有效缩短预估周期,使预估更高效。首先,搭建动力电池性能分析评测平台,获得数据驱动模型所需的试验数据,在此基础上将对模型驱动算法进行建模、参数辨识以及算法仿真,从而分析汇总模型驱动算法的缺陷及造成大误差的内部因素,展开对以神经网络算法为代表的数据驱动算法进行细化探究;然后建立了基于传统BP神经网络的估计模型,选取了动力电池端电压、电流及温度作为网络输入,利用梯度下降法在HPPC工况和DST工况下实现算法仿真和进一步验证;最后再对传统BP神经网络建模仿真结果深入探究其内在缺陷和误差来源,提出了利用粒子群优化算法对传统BP神经网络算法进行优化的改进方案,针对性地对传统BP神经网络算法的缺陷进行弥补和修正,对优化算法PSO-BP进行仿真试验,对比验证优化算法的科学合理性。研究结果表明:数据驱动算法整体预估效果较模型驱动算法更高效,传统的BP神经网络算法存在效率、精度低等缺陷,优化算法PSO-BP神经网络有效缓解消除了传统算法的预估缺陷,精度高且鲁棒性好。