当前的石油和能源危机清洁替代能源的发展,为此,学术和工业领域的研究者、政府研究机构、汽车厂商等研究开发搭载具有更高能效率系统的清洁能源汽车。混合动力汽车(HEV)和纯电动汽车(EV)正是这种替代能源浪潮中非常具有前景的解决方案。但是,当前,纯电动汽车面临的一个主要问题是其续驶里程远低于传统内燃机汽车;而且,缺少能估计和预测电池的剩余能量进而能准确地预测剩余续驶里程的电池管理系统(BMS),又加重了续驶里程短这一问题(“里程焦虑”)。如何避免纯电动汽车因能量耗尽而抛锚是一个重要的问题。而计算电池的荷电状态(SOC)是一个能直接预测纯电动汽车剩余续驶里程的参数之一,所以SOC的估计在电动汽车电池的使用中起到了关键的作用。本文主要聚焦于以下两点:即用于电动汽车锂离子电池SOC估计的滤波技术以及基于数据驱动的机器学习算法。作为滤波技术的基础,电池等效模型对于状态估计算法又非常重要,本文的电池等效电路模型中使用最小二乘方法(LS)估计Thevenin等效模型中的参数,然后使用Advanced Vehicle Simulator(ADVISOR)软件中用到的3470160型磷酸铁锂电池单体数据进行校准,并验证了模型和SOC估计策略的有效性。三种SOC估计算法是:扩展卡尔曼滤波器(EKF),Sigma点无迹卡尔曼滤波器(SPUKF)以及顺序蒙特卡罗法(即粒子滤波器(SMOPF))。论文的第一部分进行了基于最小二乘参数识别方法的锂离子电池组SOC估计的比较研究。这些研究比较在高斯噪声存在的情况下,使用不同的开路电压-SOC曲线,不同的基于模型的算法的性能。之后,引入基于粒子滤波器的SOC估计方法来处理不同类型的噪声。实验结果表明,本文提出的SPUKF和SMOPF在引入初始误差时更加鲁棒和高效。然而,为了克服基于滤波的SOC算法中的缺陷,本文提出了一种基于减法聚类的神经模糊方法(SC-ANFIS)的数据驱动的SOC估计的新框架。所提出的框架包含数据处理、SC-ANFIS训练和测试步骤。以符合基于SC-ANFIS的模型的估计精度和性能。同时将其应用在十个未知的循环工况中,验证了算法的有效性。与其他先进算法(包括反向传播神经网络和Elman神经网络)相比,本文提出的算法能够获得更好的SOC估计结果,并且在所有十个循环工况内都能准确预测SOC,最大绝对估计误差低于0.1%。另外,灵敏度分析的结果表明,电池模块温度和从电池中移除的热量是用SC-ANFIS模型对SOC进行估计时的最重要参数。本文的剩余部分聚焦于改进实践应用中的SOC估计模型。在应用过程中,考虑数据采集过程中噪声的影响、不同的开路电压的影响、SOC曲线模型的影响、以及不同驾驶循环工况的影响。