目前各大汽车集团均提出了“电动化”作为未来的发展方向。据2017年的市场数据显示,中国电动车的销量达到了60万辆,大约占据了全球电动车销量的一半,增长迅速,中国已赢得了市场先机,占了较大的份额。电动车领域目前需要提高的技术之一就是动力电池及其管理系统,因为它们对改善电动车体验起着重要作用。电池的荷电状态(state of charge,SOC)是整车控制器和电机控制器策略都需要参考的重要指标。为了获得较为精确的SOC估计值,需要根据电池特性建立较精确的数学模型,同时还需要更高精度的估计算法。在对动力电池在线模型的研究过程中,首先,对动力电池的特性进行分析。既考虑能够较为准确地描述电池的特性,又考虑模型的计算成本,建立基于一阶RC网络的电池等效电路模型。将电池模型的数学关系式通过拉普拉斯变换和双线性变换,改写成差分方程的形式,并将其作为测量方程,应用到模型参数在线辨识算法中。然后,分析被广泛采用的模型参数离线辨识方法,将电池电压变化通过指数拟合的方法得到等效电路模型的参数值。但在不同工况下,离线辨识得到的参数显然适应性不强,为了提高模型的适应性,避免根据大量试验数据进行标定的弊端,决定将卡尔曼滤波算法和Hinf滤波算法应用于模型参数在线辨识,得到在线模型。基于动力电池在线模型,本文再将扩展、无迹和平方根容积三种卡尔曼滤波算法应用于SOC估计。扩展卡尔曼滤波算法通过多项式展开近似非线性函数,无迹卡尔曼和平方根容积卡尔曼滤波算法均属于采用概率密度函数来近似非线性函数。在仿真环境下,将基于Hinf滤波算法的在线模型与上述三种SOC估计算法联合,在复杂的充放电工况下对SOC估计效果进行验证。为了对本文算法进行试验验证,基于LabVIEW软件、电子负载和程控电源等设计并搭建电池充放电试验平台。基于电池试验平台,参考QC/T897-2011中提及的两个温度范围,试验验证在线模型和联合估计算法的效果。在仿真环境下,对比采用卡尔曼滤波和Hinf滤波的在线模型误差,结果显示采用Hinf滤波算法具有更好的效果;对比基于Hinf滤波算法实现的在线模型,联合三种SOC估计算法的SOC估计效果,结果显示平方根容积卡尔曼滤波算法在估计SOC时具有较高的精度。试验结果与仿真结果一致,联合估计算法满足实际应用的精度要求。