随着动力电池的发展,锂电池因其无污染、寿命长等优势得到广泛的应用。但因其在系统放电的过程中呈现出非线性特性,影响SOC(State Of Charge,荷电状态)的估算精度,使锂电池遭遇自身发展中的“瓶颈”。为此本文提出一种基于神经网络的SOC预测方法,并在此基础上开展了动力电池的余能检测研究,通过将该系统集成在LaBVIEW平台上,实现电池参数的在线动态监测功能。主要研究工作如下:首先,分析了电池的特性和影响因素,建立了基于BP神经网络的SOC预测模型。针对BP网络收敛速度慢、误差大的缺陷,本文提出采用附加动量法与LM算法相结合对BP神经网络进行改进,实验结果表明该方法预测精度高且收敛速度快。在此基础上针对电池的工作状态,采用改进的BP网络通过对电池放电参数的训练学习,使其估计值逐渐逼近实际值。实验结果表明,改进后的BP算法预测误差均保持在2%以内,实现了更高精度的预测。其次,随着电动汽车等产品的广泛使用,会造成大量动力电池的损耗。为了最大化的利用电池资源,使其在太阳能和风力发电等储能电池上可以继续使用,本文开展了余能检测方法的研究。通过截取放电特性曲线的一段参数送入上文建立的神经网络模型来预测其余能,测试结果表明,余能预测误差均在5%以内,弥补了国家余能检测标准的不足,基本实现了电池的无损检测,具有很好的应用前景。最后,基于LaBVIEW平台设计了锂电池参数动态监测系统,该系统可通过串口与EBC-A10通信,实现实时采集、显示和保存电池参数的功能。并通过反复调用MATLAB程序,实现对锂电池SOC的在线动态预测,使得预测结果能跟随电池的非线性变化而变化,提高了电池在使用过程中的预测精度。综上所述,本文建立的神经网络模型提高了电池SOC的预测精度,且能够对电池的余能进行检测,实验结果较好,应用前景广阔。