在石油紧缺与环境污染的大背景下,新能源汽车迅速发展,锂离子电池因而得到了广泛应用。为保证电池的安全、高效与长寿命运行,电池管理系统必不可少。SOC作为电池管理系统的关键状态量,对其稳定运行,实现整车能量高效管理、续驶里程精准预测等至关重要。因此,研究SOC估计方法以提高其估计精度具有重要意义。电池动态特性的准确模拟对提高SOC估计精度非常关键。然而,在SOC估计过程中,等效电路模型对电池动态特性的模拟精度通常是变化的。尽管自适应高阶容积卡尔曼滤波(AHCKF)对电池模型模拟的动态特性相比自适应容积卡尔曼滤波(ACKF)具有更高的估计精度,但其结果与电池真实动态特性的偏差可能更大。因此,AHCKF并不是在每个时间步长的SOC估计精度都优于ACKF。针对上述问题,本文探究了ACKF与AHCKF算法在SOC估计过程中,精度差异不断变化的特性。在此基础上,为进一步提高SOC估计的精度,分别设计了基于SOC估计误差绝对值最小以及基于概率的方法来融合ACKF与AHCKF的估计结果。比较后得出:基于概率融合的SOC估计方法更为可靠,且能有效提高SOC估计的精度。进一步,本文探究了SOC估计误差序列长度以及滤波器初始权重对基于概率融合的SOC估计方法的影响规律。结果表明,基于自适应噪声窗口内的误差序列进行滤波器权值更新更为准确。此外,本文还将滤波器初始权重优化问题视为一个一维的多目标优化问题,通过分析选择理想点来构造评价函数,采用黄金分割法和二次函数插值法相结合的方式来寻找最优解。结果显示,组合优化方法能在保证收敛性能的同时,减少寻优所需时间。此外,采用优化后的初始权值对ACKF与AHCKF进行概率融合估计能够进一步降低SOC估计的误差。