动力电池峰值功率状态(state of power, SOP)的准确估计是保障新能源汽车安全运行及提升续航能力的关键。针对现有SOP估计方法精度不足的问题,本研究提出一种融合多约束条件(multi-constraint conditions, MCC)与麻雀搜索算法(sparrow search algorithm, SSA)优化的极限学习机(extreme learning machine, ELM)误差预测校正方法,构建了MCC-SSA-ELM联合估计模型。以单体锰酸锂电池为研究对象,首先建立二阶RC等效电路模型,采用基于遗忘因子的递推最小二乘法实现模型参数的在线辨识,并利用自适应扩展卡尔曼滤波(adaptive extended Kalman filter, AEKF)算法对电池荷电状态(state of charge, SOC)进行动态估计。进一步,根据放电持续时间划分30 s、2 min和5 min三级工况,综合考虑SOC、电压及最大允许放电电流等多重约束条件,构建不同持续时间下的SOP初步估计模型。在此基础上,通过多约束条件下SOP估计值与实测值的绝对误差数据集,分别训练ELM和SSA-ELM误差预测模型,实现对初步估计值的动态补偿与校正。实验结果表明,经误差校正后,SOP估计精度显著提升,与MCC和MCC-ELM模型相比,所提出的MCC-SSA-ELM模型在30 s、2 min和5 min持续工况下的平均相对误差分别降低0.382%、6.115%和6.858%,最终误差均控制在0.15%以内,验证了该方法的优越性与工程实用性。