进入二十一世纪以来,随着人们对环境保护的重视以及化石能源的减少,使用可再生能源以及相对环保的电动汽车得到了快速发展。电池的荷电状态(State of Charge,SOC)作为电池管理系统(Battery Management System,BMS)中最重要的一个参数,对保障电池的安全起着关键作用,如何提高SOC的在线估计精度成为了BMS最重要的任务。本文以三元锂离子电池的SOC估计为研究对象,对SOC估计算法及其硬件在环(Hardware-in-the-Loop,HIL)仿真展开研究。首先,对常用的电池仿真模型进行分析,建立2RC等效电路模型,并对电池开路电压(Open Circuit Voltage,OCV)与SOC的关系进行标定。然后基于带遗忘因子的最小二乘法对电池模型的参数进行辨识,最后在MATLAB中对参数化模型的精度进行仿真分析。结果表明:所建立的电池模型可以适应多种工况,仿真电压误差均在40m V以内,精度满足要求。其次,先是对各种常用的SOC估计算法进行分析,选择了扩展卡尔曼滤波算法和无迹卡尔曼滤波算法对电池SOC进行估计。在分析影响估计精度的因素之后,基于遗传算法(Genetic Algorithm,GA)和粒子群算法(Partical Swarm Optimization,PSO)优化参数Q和R,并对优化前后的结果进行对比分析。然后在多种循环工况下进行SOC估计的模型在环(Model-in-the-Loop,MIL)仿真实验。结果表明:基于粒子群算法优化参数后的SOC估计方法具有较强的鲁棒性,估计效果良好,误差均在3%以内,且经过优化的无迹卡尔曼滤波算法估计SOC的精度更高。最后,基于D2P(From Development to Production,D2P)快速原型开发平台配置ECU底层操作系统,并将在MATLAB/Simulink中搭建的SOC估计算法模型进行代码编译之后刷写进ECU。然后联合NI Veri Stand和NI PXI搭建了硬件在环仿真系统,进行SOC估计算法的HIL仿真。结果表明:HIL仿真的SOC估计精度略低于MIL仿真,但估计误差仍在3%以内,证明了所搭建的SOC估计算法在硬件在环系统中的有效性和准确性。