近些年来,随着人类生存环境污染的加剧,各国政府都在积极寻求可替代能源的解决方案。其中,电动汽车(electric vehicles,EVs)以其低碳和节能的特点而著称,得到了业界广泛的关注。各国政府也积极推行相应的政策,以此来促进新能源汽车产业的发展。锂离子电池,因其循环寿命长、自放电率低、能量密度高、污染小、安全等优点,被认为是最有发展前途的电动汽车电源。为了进一步实现锂离子电池的商业化,有必要通过特殊手段对电池进行安全有效的管理,并可实现电池系统状态信息的监控。为此设计了电池管理系统(battery management system,BMS),以确保电池系统始终可以工作在一个安全稳定的环境下。电池荷电状态(state of charge,SOC)的估计是BMS最重要的几项功能之一,实现SOC的估计是整个BMS管理系统能有效控制电池系统的先决条件,它的功能与传统燃油车辆的燃油表类似,在电动汽车电池剩余里程预测中得到了广泛的应用。本文以某款三元锂离子电池作为研究对象,针对性地研究了锂离子电池SOC的估计算法。着重分析了扩展卡尔曼滤波(extended kalman filter,EKF)算法在电池SOC估计中的应用。在分析锂离子电池动态特性的基础上,介绍了现有电池模型的特点,并兼顾估计精度与计算量,采用二阶RC等效电路模型(equivalent circuit model,ECM)来拟合实际锂离子电池。在MATLAB/Simulink平台搭建了FDEKF算法与二阶RC等效电路模型。采用恒流放电(constant current discharge,CCD)和城市道路循环(urban dynamometer driving schedule,UDDS)两种工况对FDEKF算法进行了可行性与精度验证。为了减小EKF算法的线性化误差和计算量,本文提出了一种有限差分扩展卡尔曼滤波(finite difference extended kalman filter,FDEKF)算法来估计锂离子电池的荷电状态。论文的研究工作和创新点主要包括:FDEKF算法利用有限差分法来代替求解方程的偏导数,从而减小EKF由于泰勒展开而产生的线性化误差。因此,其估计精度在理论上要高于EKF算法。另外,由于FDEKF算法不需要求解复杂的Jacobian矩阵,因此在工程实际中可以节约系统资源,减少控制器的计算量与开发成本。通过比较FDEKF算法和标准EKF算法的收敛速度和精度,结果表明了前者在锂离子电池系统SOC估计中具有更好的应用前景。