本文研究了基于电池模型的电动车用锂离子电池荷电状态(SOC)鲁棒估计的相关内容。SOC估计对保障电池安全使用,整车能量管理等都很有意义,而现阶段SOC估计依然是行业的难题。为此本文做了如下工作:首先针对常见的两种三元锂电池进行了不同温度不同工况的充放电试验,对比分析了两种电池的充放电特性。在此基础上,调研了锂离子电池等效电路模型和参数辨识方法。分别利用最小二乘法(LS),带遗忘因子最小二乘法(FRLS),偏差补偿型最小二乘法(BCRLS)实现了模型的离线和在线参数辨识过程并利用DST工况等试验数据进行了验证。结果表明在线辨识相对于离线辨识更能适应电池动态过程;FRLS和BCRLS有着相近的辨识精度,但在针对有色噪声的情况时,BCRLS辨识效果更好。然后,分别研究了扩展卡尔曼滤波法(EKF),H_∞滤波法(HIFF),及结合在线参数辨识的参数和状态联合估计等方法来进行SOC估计。通过DST、UDDS等工况数据验证上述算法的估计精度。结果表明,EKF法针对白噪声有更好的精度,HIFF法估计精度虽然有所保守,但针对各种有色噪声和模型不准确有较好的鲁棒性。最后,研究了SOC估计的冗余设计方案。针对单一模型的缺点、算法精度和稳定性之间的矛盾,设计了多模型多算法的SOC融合估计算法。试验结果显示,相对于单一的算法,融合估计算法能有效的解决算法计算精度和稳定性的矛盾,提高了不同工况下的算法的适用用性和冗余度。总的来看,融合算法在适应复杂的工况时更具有更高的精度和更强的鲁棒性。