发展电动汽车是改善能源短缺和环境污染的重要途径，近几年呈现“井喷”式增长，根据国际能源署最新报告:2019年电动汽车全球销量突破210万辆，同比增长40％。锂离子动力电池作为电动汽车的“心脏”，产量也不断攀升，国际动力电池权威研究机构SNEResearch报告:2019年全球锂离子动力电池出货量为116.6GWh，同比增长16.6％。动力电池每用必衰，2020年迎来首个动力电池退役高峰期，据中国汽车技术研究中心数据预测，2020年我国动力电池累计退役量接近25GWh，同比增长74.4％。
　　然而，快速发展的背后存在诸多关键问题悬而未决。一方面，车载应用时电池单体模型工况适应性差，从而导致状态估计精度低，串联成组后计算量倍增，难以满足实际应用;另一方面，退役电池梯次利用的研究尚属起步阶段，尤其是分选方法耗时长、成本高导致行业发展粗放，健康状态SoH(State of Health)估计难、精度低使得退役电池梯次利用风险高。本文以锂离子动力电池多状态估计及退役分选方法为研究内容，在保证结果准确性的前提下力求方法的工程实用性，主要研究与创新如下:
　　针对电池单体模型工况适应性差的问题，本文提出了一种模型参数迭代辨识方法。基于复杂的工况数据将模型参数分组辨识，依次循环迭代直至模型误差满足要求，在UDDS(Urban Dynamometer Driving Schedule)工况下验证了所得模型具有较高的准确度，最大误差低于15mV，并基于所辨识模型采用自适应扩展卡尔曼滤波算法准确估计了电池单体荷电状态SoC(State of Charge)，平均误差和均方根误差均小于2％。
　　在电池单体串联成组后，针对电池组状态估计难以兼顾高准确性与低复杂性的问题，本文提出了基于特征单体的串联电池组状态估计方法。采用大数定律从理论上论证了串联电池组状态仅取决于几个特征单体，并提出了基于准开路电压和欧姆内阻的特征单体选取方法;仅通过估计特征单体状态参数实现了串联电池组状态准确计算，极大地降低了计算量，UDDS工况下不同老化周期的串联电池组SoC估计平均误差和均方根误差均小于3％，计算时间较传统方法缩短一半，具有较高的实用价值。
　　在车载动力电池退役后，针对退役电池SoH估计精度低、环境适应性差的问题，本文充分利用退役电池数量多、参数分布广的特点，提出了一种基于数据驱动的退役电池SoH估计方法。测试并分析了103节LiNCM退役电池在不同温度和不同充放电倍率下的可用容量;以电池递增容量曲线的峰值坐标为输入，对应的容量为输出，采用支持向量回归训练了退役电池在不同环境下的SoH估计模型，并分析了不同温度和倍率对SoH估计精度的影响;最后与线性回归、神经网络回归比较了估计精度和样本依赖性，所提出的方法可以更准确地估计电池SoH，常温下平均误差和均方根误差均小于1.5％，即使在小样本下也可以实现SoH准确估计，进而缩短了样本测试时间，提高了建模效率。
　　针对退役电池一致性差、分选效率低的问题，本文提出了一种基于支持向量机的退役电池分选方法。拆解了234节LiFePO4退役电池作为分类样本，设计了退役电池特征充电方案，采用卡尔曼滤波算法平滑了退役电池在特征充电下的递增容量曲线，同时提取了电池样本的容量特征和直流内阻，解决了传统低倍率充电下容量特征提取慢的难题，提高了退役电池分选效率;进而采用支持向量机训练了退役电池多分类模型，实现了电池准确分类，精度达96.8％;最后搭建了一个电流检测模块，对比分析了分选前后退役电池并联电流的一致性差异，为退役电池梯次利用提供方法指导。
　　综上所述，为了解决动力电池多状态估计和退役电池分选的工程化应用难题，本文分别在电池单体模型参数辨识、串联电池组状态估计、退役电池SoH估计和分选方面取得突破，提出了一套实用且高效的理论方法，为保障动力电池安全高效可靠运行提供了方案支撑，对破解电动汽车行业发展的关键难题具有重要现实意义。