随着世界能源消费的快速增长,防止大气污染和生态友好发展逐渐引起各国政府的关注。电动汽车在减少环境污染和预防能源危机方面具有巨大的潜力,尽管电动汽车行业得到了各国政府的支持,但其技术发展仍有一些亟待解决的问题。目前,电池作为电动汽车的关键部件也是其瓶颈。电动汽车动力电池由电池管理系(Battery management system,BMS)控制,为了保证电动汽车的节能高效运行,防止蓄电池深度放电或过充电,准确估计剩余里程,延长使用寿命,防止蓄电池的渐进性永久性损坏,最大限度地提高蓄电池性能,BMS必须具有准确的蓄电池荷电状态值。此外,为了提高操作的可靠性,并警告驾驶员将来更换电池,BMS需要电池的健康状态值。在实际应用中,电池的工作状态、温度、老化等因素都将非线性引入状态预测任务中,使得状态预测的准确性变得十分困难。首先,本文分析了锂电池的工作原理、结构和主要特点。然后,考虑到锂电池的化学特性,在对现有电池模型进行比较分析的基础上,建立了电池2RC等效电路模型。采用Levenberg-Marquardt(LM)最小二乘误差优化算法对不同环境温度下的等效电路模型参数进行了估计。在放电脉冲试验中验证了模型的准确性。其次,本文指出了现有荷电状(SOC)估计方法存在的不足。针对这些缺点,提出了一种基于自适应扩展卡尔曼滤波(AEKF)的电池荷电状态预测算法。这种方法有助于克服库仑计数、卡尔曼滤波和神经网络估计方法的缺陷,扩展卡尔曼滤波(EKF)的应用帮于消除先前已知的初始SOC值。然而,EKF方法虽然能提供较好的估计结果,但由于累积估计误差较大,不适用于非高斯噪声和高度非线性系统。因此,应用模糊逻辑自适应方法有助于消除测量噪声估计。应用AEKF算法,在估计过程中对测量噪声协方差值进行自适应调整。最后,比较了库仑计数法、EKF法和AEKF法在城市测功机驱动计划(UDDS)试验中的预测精度。仿真结果表明,该方法达到了最佳性能。通过对电池健康状态(SOH)定义及影响因素的分析,选择电池容量作为反映电池健康状态的指标。通过放电-充电-循环电流积分,设计了基于事件的卡尔曼滤波器,对电池容量进行了测试。采用代表性城市工况UDDS试验对退化电池进行连续模拟。结果表明,基于事件的卡尔曼滤波容量估计达到了精度要求,可用于SOH预测。