随着我国新能源汽车的市场占有率越来越高。锂离子动力电池因具备各方面优势,已经成为新能源汽车动力储能装置的首选电源。然而如何在不同温度下,通过电池管理系统对动力电池的可用电量进行精确估计,依然是亟待改进的关键问题。因此,本文选取电动车用电池包常用的18650规格锂离子动力电池为实验对象,为其开发适应不同温度的动力电池剩余电量估算平台。首先在不同的温度下,对HPPC测试工况和不同循环工况进行了电池充放电特性测试,然后对锂离子电池的等效电路模型进行参数辨识,基于变种循环神经网络结构,搭建了BP神经网络和长短期记忆网络（long short-term memory,LSTM）模型,引入自编码器结构对LSTM模型进行了优化,对所设计的算法进行对比验证,具体的研究内容如下:第一,在不同的温度（0℃、10℃、25℃、40℃）下,对LG18650DBHG2电池进行了HPPC测试工况测试,分别在美国城市道路循环工况（UDDS）、美国高速公路循环工况（HWFET）和洛杉矶92测试工况（LA92）对动力电池进行了充放电实验测试并处理相关数据。第二,搭建BP神经网络辨识算法对锂离子动力电池的二阶等效电路模型进行了参数辨识,验证了辨识算法的可靠性,结果显示,锂离子动力电池的欧姆内阻可以较准确的反映出电池的使用寿命,欧姆内阻越大,电池的寿命衰减越明显。同时在电池放电过程中,电池极化效应会显著影响电池的放电性能,电化学极化内阻值在电池放电初期和放电末期较高,放电中期较低,浓差极化内阻也呈现出相似的规律。第三,基于以上参数辨识算法,将BP神经网络的部分辨识结果作为长短期记忆网络的输入,组成BP-LSTM模型来估算锂离子电池的SOC变化,引入自编码器结构,提出基于BP-LSTM-ED模型的SOC估计算法。与其他神经网络算法进行对比,BP-LSTM-ED模型的算法精度最高,常温下三种不同工况的SOC估算结果显示,平均误差在1.2%以内,均方根误差在1.7%以内。对不同温度下的SOC估算误差控制在2%以内。验证了长短期记忆网络模型在不同环境温度下仍具有很高的准确性和稳定性。最后,根据锂离子动力电池管理系统硬件架构需求,选取基于BP-LSTM-ED结构的SOC算法搭建硬件测试平台,对各部分功能模块进行了设计,在电池的硬件在环测试中,对不同温度下的不同工况进行了测试,均方根误差能控制在1.8%以内,最大绝对误差也控制在4%以内,验证了本文提出的基于BP-LSTM-ED结构的锂离子电池SOC估算方法的可行性。本文研究的基于循环神经网络的锂离子动力电池SOC估算模型具有一定的实用价值,对电动汽车电池包模组预测SOC有一定的参考意义。