本文的主要研究对象为车用锂离子动力电池模型参数的在线辨识相关算法。电池模型参数辨识作为动力电池荷电状态(SOC,State-of-Charge)估计中非常重要的一部分,对模型的精度、SOC估计的精度和稳定性等有着很大的影响。目前常用的动力电池模型在线参数辨识算法为递推最小二乘算法(RLS,Recursive Least Square),其中遗忘因子作为算法中的关键参数,对算法的精度、稳定性、鲁棒性等有着重要影响。固定的遗忘因子很难适应动力电池的各种工作状态,导致参数辨识的效果在不同电池工况下差异较大,算法的适应性不好。为此,本文提出了带可变遗忘因子的最小二乘算法(VFF-RLS,RLS with a variable forgetting factor),并做了以下研究工作:通过对一种三元材料的车用锂离子动力电池在不同温度下进行试验,标定出电池的性能参数,拟合出电池荷电状态和开路电压的关系曲线,并获得动力电池在各种工况下工作的试验数据。这些数据将被用于对在线辨识算法的仿真验证中。然后,对Thevenin等效电路模型和DP等效电路模型进行了数学建模,推导了适用于控制理论的离散化方法,并通过对比选择参数辨识结果稳定、对电池管理系统运算压力较小的Thevenin模型作为本文的模型基础。本文介绍了RLS算法的基本原理,通过试验仿真验证了遗忘因子对参数辨识及SOC估计的影响,提出了VFF-RLS算法,并设计了VFF-RLS和自适应扩展卡尔曼滤波(AEKF,Adaptive Extended Kalman Filter)算法的SOC联合估计方法对VFF-RLS算法进行验证。最后,本文在Matlab/Simulink软件中建立了仿真平台,并通过和RLS算法对比的方法,利用试验数据对VFF-RLS算法的精度、收敛性、鲁棒性、适应性等性能进行了验证。从结果来看,VFF-RLS算法中遗忘因子可以根据电池工作状态和算法估计误差的变化,自适应的寻找其最优值,相较于RLS算法具有更高的SOC估计精度、收敛性和鲁棒性。同时,这种参数辨识算法还能够消除温度等环境因素带来的影响,具有很好的适应性。