近年来,电动汽车行业在世界范围获得了飞速发展,而车载电池管理系统(Battery Management System,简称BMS)的性能对电动汽车的能量管理、安全性有较大影响。电池的荷电状态(State of Charge,简称SOC)估计是BMS的核心功能之一,BMS的SOC估计精度是衡量其性能的关键性指标之一。目前主流的SOC估计算法均未考虑电池老化的情况,在电池寿命周期的中后段其估计精度会大幅下降。本文针对这一现状,设计了一种基于改进单粒子模型(Improved Single Particle Model,简称SP+)及双自适应扩展卡尔曼滤波算法(Dual Adaptive Extended Kalman Filter,简称双AEKF)的锂离子电池全寿命SOC估计算法,相对于传统的SOC估计算法,该算法在电池的整个寿命周期均有更高的SOC估计精度。具体工作如下:首先,针对当前SOC估计相关研究工作未考察电池老化的情况,本文实施了锂离子电池老化实验以探究老化过程中电池参数变化情况,而后基于上述电池老化数据对各模型参数进行了敏感度分析以考察锂离子电池各模型参数变化对SOC估计精度的影响程度。依据敏感度分析的结果筛选出对锂离子电池SOC估计精度影响较大的模型参数,确立了后续算法设计中参数修正部分的基本方案。其次,针对传统SOC估计算法在电池寿命周期中后段SOC估计精度下降的问题,本文基于SP+模型及双AEKF算法设计了全寿命SOC估计算法。而后通过SOC估计实验测试了该算法在电池不同老化阶段的SOC估计精度。最后,针对当前SOC估计领域相关研究较少对算法进行工程验证的问题,本文进行了全寿命SOC估计算法的工程实现及验证。搭建了SOC估计算法验证平台,将全寿命SOC算法移植至验证平台下,并实施SOC估计实验测试了算法在嵌入式平台下的SOC估计精度及运行效率。