随着新能源汽车发展,三元锂离子电池凭借着高能量密度特性得到了广泛应用。能实现对动力电池有效管理的电池管理系统成为了新能源汽车上的核心技术所在,而对电池的荷电状态(SOC)的估计是电池管理系统的首要工作。本文基于三元锂离子电池单体,对电池基本特性、动态模型搭建和荷电状态估计算法等方面进行了研究与分析。本文主要工作为:首先,结合三元锂离子电池的结构和工作原理对电池的相关性能进行测试与分析,包括容量与放电倍率以及前一阶段放电状态的关系、不同充放电模式下端电压的特性表现、不同放电倍率以及不同荷电状态处静置后端电压的恢复特性。这些是建立电池动态模型的基础。其次,给出了改进的电池模型参数离线和在线辨识方法。通过引入实际容量-放电倍率系数改进了传统的SOC安时法定义式。分析了传统Thevenin等效电路模型中参数固定的问题,研究了同时考虑放电倍率、荷电状态、充放电方向等因素对模型参数影响的离线辨识方法,进行了不同工况下提高模型预测精度验证。进一步地分析了模型参数变化速率不一致的特性,提出了利用带多尺度遗忘因子的递推最小二乘算法实现参数的在线辨识,并验证了带多尺度遗忘因子算法在动态应力测试下模型有着更高的输出精度。然后,研究基于扩展卡尔曼滤波(EKF)及对其改进的SOC估计算法。先是利用EKF算法结合辨识出的动态模型在不同工况放电下验证了算法较好的估计精度。为提高EKF算法收敛速度,采用引入渐消因子来改善跟踪性能的强跟踪卡尔曼滤波算法,并在一定SOC初始误差下对比分析了其与扩展卡尔曼滤波算法的估计性能,结果显示强跟踪卡尔曼滤波算法有着更好的收敛性能以及估计精度。为了进一步提升强跟踪卡尔曼滤波算法的估计性能,引入了多重渐消因子来对不同状态进行更好的跟踪,并在不同SOC初始误差下验证了带多重渐消因子的强跟踪卡尔曼滤波算法的收敛速度和估计精度的优势。最后,对比分析了基于粒子滤波的SOC估计算法。由于卡尔曼滤波算法不能较好的处理非高斯噪声,利用粒子滤波算法结合离线和在线辨识方法得到的动态模型实现SOC估计,在不同工况、不同初始值误差、不同噪声环境下验证了粒子滤波算法在估计精度和抗干扰能力方面的优势。