摘要：阀控铅酸蓄电池的老化机理复杂.劣化程度受多种因素影响.因此较难预测.在分析影响蓄电池劣化程度的多种因素的基础上，采用Elman神经网络方法对电池劣化程度预测建立模型，并通过遗传算法对预测模型中的初始权值和阈值进行优化，根据浅度放电的测量数据进行劣化程度的预测.仿真结果表明：该模型达到了对电池劣化程度准确预测的目的.通过与实测数据的对比，证明该模型具有较高的有效性. 　　蓄电池目前被广泛地应用于汽车.电动车.UPS电源以及EPS电源系统等多个领域.阀控铅酸蓄电池（Valve Regulat

摘要：阀控铅酸蓄电池的老化机理复杂.劣化程度受多种因素影响.因此较难预测.在分析影响蓄电池劣化程度的多种因素的基础上，采用Elman神经网络方法对电池劣化程度预测建立模型，并通过遗传算法对预测模型中的初始权值和阈值进行优化，根据浅度放电的测量数据进行劣化程度的预测.仿真结果表明：该模型达到了对电池劣化程度准确预测的目的.通过与实测数据的对比，证明该模型具有较高的有效性. 　　蓄电池目前被广泛地应用于汽车.电动车.UPS电源以及EPS电源系统等多个领域.阀控铅酸蓄电池（Valve Regulat