随着新能源技术的发展,锂电池的生产数量爆炸式增长。当锂电池的容量衰减为出厂值的80%左右时就会淘汰下来,直接将其报废处理会造成资源的浪费和环境的污染。为了实现退役锂电池的高效利用,本文通过对退役锂电池(不同工况)的研究与分析,建立了一个高精度的静态和动态电池模型。该模型同时考虑了电池的温度特性和SOC应用特性,为退役锂电池的梯次利用奠定了良好的理论基础和广泛的应用前景。主要工作如下:首先,分析了退役锂电池的工作原理和性能参数,明确退役锂电池的工作特性。在对比分析几种电池等效电路模型的优缺点后,考虑温度对退役锂电池的巨大影响以及电池内部的极化反应,本文建立一种多温度的二阶RC等效电路模型,该模型不仅能够真实模拟电池内部的动态特性,而且解决了大多数模型存在的计算复杂、精度不高等问题。为验证建立的退役锂电池模型的准确性,本文对电池的电压数据进行指数拟合,计算得出辨识结果后,采用直接比较模型参数的方法来验证模型。实验结果表明,辨识误差不超过1%,因此本文针对退役锂电池建立的多温度的二阶RC等效电路模型是准确合理的。其次,由于锂电池在实际工作过程中受各种因素的影响,导致参数不断变化,因此本文对能够实现动态辨识的在线辨识方法进行深入研究。本文将递推最小二乘法引入遗忘因子对电池模型进行在线辨识,该方法加强了对新数据的获取能力,解决了递推最小二乘法中由于数据堆积造成识别混乱的问题。为了满足退役锂电池在实际应用中的条件要求,本文将退役锂电池置于多温度下进行静、动态工况实验,并对实验数据进行参数辨识。实验结果表明,低温下,两种电池辨识的最大误差控制在2%左右,随着温度升高,误差逐渐降低,误差最小可达到0.3%左右。因此该在线辨识方法能够精准地辨识退役锂电池在实际工作中的模型参数。同时总结了退役锂电池模型参数在不同SOC和不同温度下的变化规律,为退役锂电池SOC的应用奠定了基础。最后,为了解决目前单一算法估算SOC的不准确性,本文采用扩展卡尔曼滤波算法与含有遗忘因子的递推最小二乘法联合的方法来估算退役锂电池的SOC。该方法将退役锂电池的SOC代入扩展卡尔曼滤波状态方程中,再利用在线辨识算法可以不断修正的参数的特性,估计出退役锂电池在不同工作条件下的SOC值,实现了退役退役锂电池SOC的精准估算。实验结果表明,低温下,两种锂电池SOC估算误差最大不超过2.3%,随着温度的提升,误差越来越小,误差最小为0.5%左右。为进一步验证联合算法的实用性,本文对一种自定义的DST随机工况数据进行辨识。实验结果表明,联合算法仍然具有较强的精确性。因此本文采用的联合算法估算退役电池的SOC是准确可行的,为退役锂电池梯次利用过程中SOC的应用提供了可靠的理论依据。综上所述,本文建立了一种多温度下的高精度静态和动态退役锂电池模型,并采用改进的辨识算法进行参数辨识提高辨识的精度,进而采用两种算法融合的方式联合估算退役锂电池在不同工作条件下的SOC,提高了估算精度,在退役锂电池梯次利用过程中有良好的的应用前景。