锂离子电池作为电动汽车主要的动力来源和核心部件,其全面、高效、精细化的电池能量管理系统（Battery management system,BMS）是当前研究的重难点。为确保BMS的安全性及高效性,电池状态的准确快速估计是基础。目前,电池状态的表征主要依赖于电池的荷电状态（state of charge,SOC）、健康状态（state of health,SOH）、功率状态（state of power,SOP）、温度状态（state of temperature,SOT）以及能量状态（state of energy,SOE）五个方面。其中,电池功率状态SOP作为表征电池动力性能的重要指标逐渐成为研究热点。电池的功率状态SOP是电动汽车确保安全性能和提高制动能量回收率的重要参数之一,可用于判断不同状态下电池在充、放电过程中能够吸收或释放的功率极值,防止电池过充过放现象的发生,对电池的合理使用和寿命延长有着重要的指导意义;同时还可对电动汽车的动力性能进行优化,以更好地满足爬坡、加速、制动能量回收等功能需求。但是,电池SOP受到环境温度、荷电状态（SOC）、健康状态（SOH）等不确定因素干扰很大,具有较强的非线性,实时精准的SOP估计是十分困难的,且具有一定挑战性。本文针对车载锂离子电池SOP估计开展的具体研究工作包括:高精度的锂离子电池模型:通过引入分数阶微积分的基本原理以及常见的三种定义,从电化学阻抗谱的角度出发对锂离子电池的特性进行了分析,以BTS-5V100A为锂离子电池主要充放电设备,结合恒温箱等设备搭建了锂离子电池单体测试试验平台,建立了万向A123电池的实验数据库。基于电化学及电路原理,在原有的二阶RC模型的基础上,使用恒相位角元件替换掉了理想电容器并添加了反映阻抗谱低频特性的沃尔伯格元件建立了分数阶等效电路模型。随后利用改进后的混合粒子群算法（Hybrid Particle Swarm Optimization,HPSO）对模型进行了参数辨识,验证了分数阶等效电路模型及参数辨识方法对于锂离子电池不同工况下的适应性和精确性,为锂离子电池SOP估计奠定了模型基础。高鲁棒性的SOC估计方法:利用状态空间方程建立锂离子电池的离散控制系统,作为推导SOC估计算法的基础。为解决扩展卡尔曼滤波（Extended Kalman Filter,EKF）算法的缺陷,提出了基于H∞滤波算法的SOC估计方法,详细介绍了其设计思想及运算逻辑。在MATLAB/Simulink仿真环境下实现了分数阶等效电路模型以及两种算法的完整建立,并进行了基于H∞滤波算法与EKF算法的电池SOC估计仿真对比,为实现不同SOC下锂离子电池SOP估计奠定了基础。考虑容量衰减的SOH估计方法:研究锂离子电池在循环充放电过程中的老化机理,进行电池性能衰减的内外部因素分析,建立反映电池老化的容量衰减模型,并利用粒子滤波算法对模型的参数进行更新以实现对电池容量的预测,从而实现电池健康状态SOH的估计。基于万向A123电池的循环充放电实验数据以及NASA公开的锂离子电池老化实验数据对所提出的SOH估计方法进行验证,为实现不同SOH下锂离子电池SOP估计奠定了基础。多状态条件下的SOP估计方法:对峰值功率及SOP的定义进行了明确,针对基于混合脉冲功率性能测试HPPC的SOP估计方法的不足之处,提出一种基于分数阶等效电路模型的多状态SOP估计方法,在考虑电池健康状态SOH的基础上,将锂离子电池的荷电状态SOC、电流和电压作为约束条件,来预测电池充放电过程中的功率极值,进行当前功率状态SOP的估计。基于所提出的多状态下的SOP估计方法,分析充放电功率持续时间及老化程度对SOP估计的影响,并验证其在不同工况下的适应性,解决了传统的峰值功率及SOP估计方法的结果可靠性不足、过于理想化的难题。