随着新能源汽车技术的飞速发展,纯电动汽车因其能源清洁、环境友好的特点,已经成为全球汽车研发的主要方向。动力电池作为新能源汽车的核心部件和主要动力来源,通过电池管理系统对动力电池进行合理、完善的监控能够有效提高电动汽车的行驶里程。而动力电池的荷电状态是电池管理系统中最重要的状态量。电池SOC的精确估计为电池能量的管理和分配提供了依据,因此具有非常重要的工程价值。电池SOC无法直接测量,只能先建立准确的电池模型,然后再利用控制算法对电池SOC进行估计。为了更好的了解锂离子电池的特性,建立了电池测试平台,完成了不同温度下电池容量衰减度、最大可用容量、充放电倍率和开路电压的测试。根据测试分析,建立了变阶RC等效电路模型,兼顾了模型适用性和简易性的特点。基于BIC准则完成对电池模型阶数的选择。采用含遗忘因子的最小二乘算法对模型参数进行实时更新。在建立电池模型之后,通过在恒温条件和变温条件下的充放电测试,验证了与固定阶数的模型相比,变阶模型具有更高的辨识精度,辨识精度在2.8%以内。在建立电池动态模型之后,提出基于自适应协方差匹配的双卡尔曼滤波算法,对电池SOC进行实时估计。该算法针对双卡尔曼滤波算法中系统噪声的协方差固定不变的缺点,引进自适应协方差匹配法对系统噪声特性进行实时在线修正,从而达到抑制滤波发散,提高估算精度的目的。通过对恒温条件和变温条件下电池的充放电实验,使用扩展卡尔曼滤波算法、双卡尔曼滤波算法和本文提出的估计算法对SOC估算结果进行对比分析,验证了基于自适应协方差匹配的双卡尔曼滤波算法具有更好的估算精度,误差在3.5%以内,并且算法具有较强的鲁棒性。最后对动力电池包的SOC估计方法与单体电池的估算的不同进行了简单的介绍,提出了一种基于电池包简化的模型的SOC估算。为了验证算法在工程中的应用能力,对电池包进行自定义充放电测试,通过采集电池包的电压、电流和温度等数据,并导入电池测试设备中,获得SOC的理论值。然后将数据输入自适应双卡尔曼滤波算法中,获得估计值。将估计值和理论值进行对比分析,对比误差在5%以内。从对比结果中可以验证该算法具有实用价值。