电池能量密度低、电池老化等问题制约着动力电池的发展,而精确的荷电状态(State of Charge,SOC),可提高电池利用率,避免电池过充过放,从而提高电动汽车的续驶里程与安全性。针对电池老化后SOC估计不准确、卡尔曼滤波对噪声敏感的问题,本文基于双极化等效电路模型与卡尔曼滤波结构,提出改进自适应迭代扩展卡尔曼滤波(Improved-Adaptive Iterative Extend Kalman Filter,IAIEKF)算法。基于该算法提出考虑电池老化的SOC估算策略,同时通过相关电池实验,对电动汽车使用过程中的SOC估算精度进行分析与验证。本文主要工作如下:(1)介绍本次研究的实验对象和实验测试平台,并在实验平台上设计电池特性测试方案,包括静态容量标定测试、不同影响因素下容量特性测试、混合动力脉冲特性测试、OCV-SOC标定测试、动态工况测试以及不同影响因素下电池循环寿命测试。根据不同特性的实验结果分析电池工作特征,为不同工况下动力电池的精确建模奠下基础,以及为电池SOC估计提供数据支撑。(2)阐述电化学模型、等效电路模型、黑箱模型及分数阶模型的优缺点,从模型精度和时间复杂度的角度权衡出本次研究的电池模型:双极化等效电路模型。首先,根据等效电路模型与基尔霍夫电流电压定律构建电池状态的数学模型,并将数学模型离散化;其次,在MATLAB/Simulink中搭建电池Simscape模型和参数辨识验证模型,利用MATLAB/Simulink的Parameter Estimation工具箱对电池模型参数进行离线辨识,HPPC的电压实验数据与电池仿真模型电压误差小于30mV,表明离线辨识参数较为准确;最后,基于递推最小二乘法对电池模型参数进行在线辨识,DST和UDDS的电压实验数据与电池仿真模型电压之差,除个别点上大于30mV之外,都处于20mV以内,验证了在线辨识结果的准确性。(3)针对电池老化后容量衰退问题,以电池SOC范围区别充放电实验结果。当电池工作区间为100%时,以电池充电容量为直接研究对象,通过50、100、150、200不同充放电循环的尺度下,基于灰色模型(Gray Model,GM)算法估算电池当前容量。电池循环寿命实验结果表明:灰色模型估算方法随着历史数据尺度越大,其估算精度越高。当电池SOC工作区间不在0%到100%区间内,提出一种间接估算方法。首先,根据电池充放电数据提取特征健康因子;其次,采用经验模态分解处理特征健康因子序列上下波动问题,同时联合粒子滤波和多项式回归来估算健康因子序列;然后,基于Elman神经网络拟合历史健康因子和电池容量关系;最后,根据估算的健康因子和神经网络输出当前的电池容量。电池循环寿命实验结果显示这种间接估算方法也具有较高的精度。(4)针对迭代扩展卡尔曼滤波(Iterative Extend Kalman Filter,IEKF)中迭代次数不确定而导致算法运行时间较长甚至不收敛的情况,首先,本文利用电压之差作为观测器,自适应选择局部迭代;其次,针对自适应迭代扩展卡尔曼滤波(Adaptive Iterative Extend Kalman Filter,AIEKF)算法噪声敏感问题,本文基于Sigmoid函数对观测方程噪声方差进行改进,提出I-AIEKF算法;最后,针对模型法估算电池SOC误差来源,本文结合I-AIEKF算法,提出考虑电池老化的SOC估算策略。HPPC、DST、UDDS三类测试工况数据证明:在计算时间只有略微增加情况下,I-AIEKF算法精度优于EKF算法。此外,通过本文提出策略方法,选取电池150次循环后和300次循环的老化数据证明,本文考虑电池老化估算电池SOC的方法具有提高精度的效果。研究表明:相比EKF算法,I-AIEKF算法具有相似的时间复杂度,且可以提高电池SOC估算精度。在电动汽车长期充放电过后,考虑电池模型参数老化SOC估算的策略可以校正SOC估算精度,从而及时了解动力电池需要更换的时间,提高电池利用率和安全性。