针对锂离子电池组荷电状态SOC（state-of-charge）难以预测的问题，提出改进麻雀搜索算法ISSA（improved sparrow search algorithm）优化核极限学习机KELM（kernel extreme learning machine）的SOC预测模型。首先，引入Logistic混沌映射改进标准SSA，获取最优种群个体；其次，采用改进算法优化KELM的核函数参数S和惩罚系数C，建立ISSA-KELM预测模型；最后，利用某储能设备的历史数据进行仿真研究，对比分析ELM、KELM和ISSA-KELM模型的预测结果，并选用其他工况数据验证模型的鲁棒性。结果表明，SOC预测均方根误差和平均绝对误差分别减小至2.06%和1.54%，证明所提模型的预测精度提高，具有良好的收敛性、泛化性及鲁棒性。