电池组荷电状态（State of Charge,SOC）估计对动力电池管理至关重要。然而,SOC是电池的隐性状态,其动态变化具有多时间尺度特性无法直接测量;电池组的每个单体在参数和状态上不可避免地存在不一致性,严重影响动力电池组SOC的准确估计。本文针对上述问题,依托陕西省重点研发计划重点产业创新链项目（2019ZDLGY15-04-02）,提出均值偏差模型（Mean Plus Difference Model,MDM）,构建融合MDM和联邦自适应无迹卡尔曼滤波（Federated Adaptive Unscented Kalman Filtering,FAUKF）的多时间尺度框架实现电池组的SOC估计。具体研究内容如下:（1）针对电池组不一致性表征不准确的问题,以等效电路模型为基础,融合均值和偏差模型提出MDM模型,包括1个均值模型（Cell Mean Model,CMM）和N个偏差模型（Cell Difference Model,CDM）。其中,CMM用于表征电池组的整体平均性能,CDM表征电池组中单体之间的差异;应用递归最小二乘法求解MDM模型中的未知参数。（2）针对不一致特征的电池组SOC多时间尺度估计问题,将FAUKF算法融合进MDM模型,构建多时间尺度SOC估计框架。基于摄动系统理论,研究MDM模型的基本时间尺度分离特性。在短时间尺度上,基于CMM模型估计电池组的整体平均SOC值;在长时间尺度上,FAUKF的子滤波器（Local Filter,LF）融合CDM模型估算每个单体SOC;FAUKF的主滤波器（Master Filter,MF）采用Elman神经网络将每个单体的SOC估计结果完成自适应融合,最终得到电池组的SOC估计。（3）搭建动力电池组综合模拟与测试系统,并对电池组进行特性测试与动态工况测试。在Matlab/Simulink中分别搭建CMM与MDM的仿真模型,将仿真数据与实验测试数据进行对比,验证了CMM模型和MDM模型的准确性;利用动态工况测试数据,分别在两种工况下将所提出的SOC估计方法与传统电池组SOC估计方法进行实验对比,结果表明所提出的SOC估计方法具有更好的准确性与鲁棒性。