随着锂电池技术的不断发展,锂电池在现实生活中得到了广泛的应用。但是由于锂电池管理技术尚未成熟,这极大限制了新能源电动汽车以及相关锂电池行业的发展。在锂电池管理系统(Battery Management System,BMS)中,状态估计的精度越高,锂电池的安全使用、可靠运行和寿命预测就越有保障。锂电池的状态估计主要包括荷电状态(State of Charge,SOC)估计和健康状态(State of Health,SOH)估计。本课题对SOH和SOC估计算法进行研究,主要工作如下:首先选取二阶RC等效电路模型(Equivalent Circuit Model,ECM)作为锂电池模型,在HPPC工况下对ECM进行参数辨识,并确定SOC-OCV函数关系。然后为了解决滤波发散与不稳定的问题,本文在EKF(Extended Kalman Filter,EKF)算法的基础上,引入平方根(Square Root,SR)算法,分别采用平方根扩展卡尔曼滤波(Square Root Extended Kalman Filter,SREKF)算法对SOH和SOC进行估计。在对SOH进行估计时,将ECM中表征SOH的欧姆内阻(R0)塑造为状态向量,建立SOH估计的状态空间方程,通过实时估计电池的R0,并利用锂电池R0与SOH之间的内在关系,可得到锂电池的SOH;在对SOC进行估计时,直接选取SOC作为状态变量,建立SOC估计的状态空间方程,通过SREKF算法不断地对SOC进行迭代更新来得到锂电池的SOC。最后在恒流工况与HPPC工况的仿真验证结果表明,相比EKF算法,SREKF算法能够较准确、可靠地估计SOH与SOC,也为锂电池SOH估计提供了一种有效的方法。由于锂电池SOH与SOC之间有密切的关系,为了解决SOC估计时不变R0导致误差增大的问题,采用双平方根扩展卡尔曼滤波(Dual Square Root Extended Kalman Filter,Dual-SREKF)算法对锂电池SOH与SOC进行联合估计。首先根据ECM,建立SOH与SOC联合估计的状态空间方程。然后一个SREKF算法对R0进行估计,另一个SREKF算法对SOC进行估计,两者不断地进行相互地迭代更新。最后通过在恒流工况与HPPC工况的验证结果表明,相比于SREKF算法,Dual-SREKF算法具有更高的精度,更强的稳定性。