如何确保BMS(Battery Management System,BMS)能.够快速准确地估计电池当.前的性能状态,并对未.来状态进行合.理可靠预测是BMS研究.技术热点。论文针对快速、准确估计磷酸铁锂电池SoC(State of Charge,SoC)展开了深入研究,主要做了以下几个方面的工作:第一,论文分析了非电路模型和等效电路模型的优缺点,结合磷酸铁锂电池的外特性,采用了一个近似程度高,结构尽可能简单,参数获取方便的新型动力电池模型。根据辨识的电池模型参数,通过Simulink仿真结果表明,此电池模型具有较高的模型精度和稳定性。第二,在实际工况下,BMS受到各种形式的噪声影响。为有效滤除有色观测噪声和有色状态噪声对电池状态估计的干扰,本章采用协方差矩阵自适应法加入卡尔曼滤波算法框架,实现对噪声协方差阵的估计。基于带有色观测噪声下无迹卡尔曼滤波算法提出了带有色观测噪声下自适应无迹卡尔曼滤波算法;基于有色噪声下的卡尔曼滤波算法提出了有色噪声下自适应扩展卡尔曼滤波算法。仿真结果表明,此算法提高了SoC估计精度和算法稳定性,同时,对噪声协方差阵初值设置不敏感,具有对系统噪声统计特性未知的自适应能力,克服了噪声协方差矩阵初值设置缺乏标准的问题。第三,锂离子电池是典型的动态、非线性电化学系统,而常用的电池模型不能准确描述其动态变化、非线性和强耦合的特征,论文采用在线支持向量回归机建立锂离子电池模型,选取工作电压和温度作为输入变量,荷电状态SoC作为输出变量来训练算法模型。仿真结果表明,此算法模型能够在线实时估计SoC,并且具有较高的SoC估计精度和算法稳定性。第四,基于锂离子电池是一个综合了多时间尺度特征的复杂电化学系统,提出一个基于耦合模型的多时间尺度电池模型。在宏观时间尺度上,电池性能是缓慢衰退的,因而用在线支持向量回归机实时估计EMF-SoC曲线;在微观时间尺度,电池状态变化比较快速,并且容易受到各种形式的噪声干扰,因而提出带有色噪声的自适应卡尔曼滤波算法估计电池的荷电状态SoC。仿真结果表明,随着电池参数的缓慢变化,基于耦合模型的多时间尺度电池模型可以准确估计电池的荷电状态SoC。