动力电池作为电动汽车的核心能源,其技术水平直接制约着电动汽车的发展,作为电池管理系统的核心功能之一—准确的动力电池荷电状态(SOC)估计有助于提升动力电池的有效利用率、保障动力电池使用安全、延长电池使用寿命等。然而,动力电池的时变非线性、环境敏感性以及使用过程中的不可逆衰变严重制约着SOC等隐形状态量的准确估计。本文以锂离子动力电池SOC与容量的联合估计为主要研究内容,开展如下研究:(1)针对锂离子动力电池建模与参数辨识问题,基于n-RC等效电路模型建立(n=0,1,2)3种离散数学模型,采用遗传算法(Genetic Algorithm)分别对3种模型进行离线参数辨识,在线参数辨识过程则由基于遗忘因子递推最小二乘法(FRLS)来完成。并从模型辨识精度、模型运算量等方面对3种模型进行性能评价,结果表明1阶RC模型的综合性能最优。(2)针对动力电池参数与状态的联合估计问题,提出了基于随机加权因子的自适应容积卡尔曼滤波(ARWCKF)的动力电池SOC估计方法,并应用扩展卡尔曼滤波(EKF)对动力电池参数进行估计,实现了基于EKF—ARWCKF滤波算法的状态与参数联合估计,显著提升算法的鲁棒性和精确性。同时,以端电压预测精度、SOC估计精度以及SOC收敛速度作为评价指标,将上述算法与FRLS—EKF、FRLS—CKF及EKF—CKF滤波算法进行对比分析,结果表明本文所提出的EKF—CKF系列滤波算法具有良好的估计精度,最大误差不超过3%。(3)针对单一时间尺度参数与状态联合估计算法的局限性,自适应调整参数辨识时间尺度以实现基于EKF—ARWCKF滤波算法的动力电池容量与SOC联合估计,即宏观时间尺度下完成模型参数及容量的预测、动力电池SOC的估计则在微观时间尺度下进行,并以累计放电量作为微观与宏观时间尺度的转换标准。分别基于动力电池端电压、SOC、容量的预测精度以及SOC和容量的收敛速度对算法的滤波性能进行有效评估,结果表明变时间尺度下的算法精度优于单一时间尺度,SOC及容量最大绝对误差均不超过3%。(4)针对动力电池容量与SOC联合估计算法在实车工况中的可行性及鲁棒性问题,以A&D5435平台及动力电池测试仪为基础进行滤波算法的硬件在环仿真验证,通过MATLAB/Simulink软件平台搭建基于EKF—ARWCKF滤波的SOC与容量联合估计仿真模型,并将其加载至A&D5435平台进行硬件在环验证。硬件在环验证结果表明,本文所提出算法在SOC与容量初值不准确情况下仍具备良好的预测精度,最大估计误差不超过3%,能够有效解决动力电池多状态参数下的耦合性问题,具有一定的工程实践意义。