动力电池的荷电状态SOC(State of Charge)与峰值功率SOP是电池管理系统BMS对电动汽车进行监控与管理的重要依据,SOC和SOP的准确估计对于电池的安全、合理使用以及整车能量的优化匹配具有重要的理论意义与实用价值。传统的动力电池SOC估计方法无法满足实时估计的要求,SOP估算精度不高,影响电池的安全与合理使用。本文围绕提高锂离子电池SOC与SOP预测精度、实现两者的实时估计问题,展开以下几方面的工作:首先,明确了锂离子电池及其状态估计的研究背景与意义,讨论了电池SOC的的定义与常用估算方法,并对国内外电池SOC与峰值功率SOP的估计方法进行了较为全面的介绍与分析。其次,介绍了锂离子电池的工作原理、主要技术指标,搭建了电池试验平台并对锂离子电池重要性能参数进行测试及分析,充分了解锂离子电池的工作特性;基于电池测试数据与特性分析,在Simulink环境下搭建了电池的一阶RC等效电路模型,并在多种工况下进行了模型验证。再次,在建立锂离子电池模型的基础上,利用遗忘因子递推最小二乘法(FFRLS)对电池模型参数进行在线辨识,然后提出基于遗忘因子递推最小二乘法(FFRLS)与扩展Kalman滤波(EKF)的SOC估算方法,并在模拟工况下进行仿真实验,分析该算法的估计结果与不足之处;针对这些不足之处,进一步提出基于FFRLS与双卡尔曼滤波的SOC估计算法,搭建该算法的仿真模型,实现电池模型参数的实时更新与SOC的在线联合估计,提高SOC的估算精度与算法稳定性并通过仿真验证该算法的准确性。最后,提出一种基于BP神经网络的多参数约束电池峰值功率预测方法,该法将基于电池动态模型的功率预测法、基于SOC的功率预测法与复合脉冲法相结合,充分考虑电池电压、电流、SOC等对SOP预测结果的影响。在MATLAB环境下建立用于电池峰值功率SOP预测的BP神经网络模型,完成对SOP的预测。