随着能源短缺和环境污染问题日益加重,新能源汽车越来越成为汽车工业发展的焦点。电池的荷电状态(SOC)估计作为整个系统的重要组成部分,其估计精度与新能源汽车的使用直接相关。本文以车用大容量单体锂电池为研究对象,采用EKF算法在线估计电池荷电状态,针对扩展卡尔曼滤波算法(EKF)对电池SOC在线估计精度不足的问题进行研究,提出相关改进算法来提高电池SOC的估计精度。首先,本文对锂电池工作原理和化学原理进行了研究分析。通过对电池进行实验,分析充放电倍率,电池循环使用次数等参数对电池工作的影响。通过HPPC脉冲放电实验数据获得开路电压和电池SOC对应的函数关系。之后,对现有常见电池模型进行分析研究。在对比分析各类电池模型的优点和不足之后,选取戴维宁等效电路模型作为本文电池模型。通过实验数据,分别对电池模型进行离线和在线识别。并使用DST工况实验对在线和离线识别结果进行验证。验证结果表明:使用具有遗忘因子的递推最小二乘法在线识别的电池模型更能反映电池的实际工作状态。然后,对EKF算法原理进行研究分析。使用扩展卡尔曼滤波算法对电池SOC进行估计,分析仿真结果发现噪声和雅克比矩阵误差对估计结果影响较大,提出一种基于协方差匹配原理的自适应扩展卡尔曼滤波法(AEKF)来降低未知噪声的影响。针对EKF算法估计SOC曲线线性化过程中由雅可比矩阵带来的精度波动较大的问题,提出使用含有协方差修正原理的扩展卡尔曼滤波算法(MVEKF)对电池SOC进行估计。最后将三种算法的仿真结果进行比较分析。结果表明MVEKF算法和AEKF算法较EKF算法在电池SOC估计精度上都有较大提高,分别可以减小EKF算法因噪声和雅可比矩阵误差带来的SOC估计精度误差变大的问题。扩展卡尔曼滤波(EKF)算法在对高度非线性系统方程进行线性化处理时会带来较大的线性化误差,对电池SOC估计精度影响较大,本文提出使用容积卡尔曼滤波算法(CKF)对电池SOC进行估计,并进行仿真,并与EKF算法和无迹卡尔曼算法(UKF)的仿真结果进行对比参照。分析发现:在对电池SOC估计方面,容积卡尔曼滤波算法可以很好的解决因EKF算法线性化处理状态方程带来的精度发散现象。并且与UKF算法相比,CKF在电池SOC估计方面精度更高。