随着能源危机和环境问题的日益加剧,电动汽车逐渐成为人们关注的焦点。锂离子电池作为主流电动汽车的储供能元件之一,在使用中仍存在一系列的问题,其中锂离子电池电量的准确估算成为电动汽车在实际使用中的难点之一。电池模型是电池外特性的一种表现形式,是锂离子电池管理的重要依据之一。本文将常见的三元锂离子电池作为研究对象,对锂离子电池的建模方案以及荷电状态估计(State of Charge,SOC)方法进行探究。本文首先分析了锂离子电池的工作原理,介绍了锂离子电池工作时发生的电化学反应以及锂离子电池的内部结构。对比了三种等效电路模型的优缺点,在此基础上选择了复杂度较低、精度较高的二阶Thevenin等效电路模型作为锂离子电池的数学模型。对锂离子电池的内阻特性、容量特性以及开路电压特性进行分析,得到了锂离子电池的OCV-SOC曲线,对锂离子电池荷电状态估计的进一步研究具有重要意义。分析了递推最小二乘法(Recursive Least Square,RLS)的原理以及其在电池建模方面的应用,通过实验表明RLS无法很好地区分二阶Thevenin等效电路模型的两个RC环节,采用RLS算法辨识出的电池模型存在精度以及适用性方面的问题。针对RLS算法在参数辨识中存在的问题,本文提出了一种模型融合与RLS算法相结合的联合建模方案,通过分析机器学习中的集成学习算法,利用集成学习中AdaBoost算法的模型融合方法,有效地将其中一个RC环节进行融合,再利用RLS算法有针对地辨识另一个RC环节,经实验验证该方案所建模型在不同工况下都具有较高的精度。分析了无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法的原理,并将其应用于电池SOC的估算,经验证,UKF算法过于依赖电池模型,难以保证在电池模型精度较低时的性能。为降低电池模型对于电池SOC估算的影响,本文引入了基于数据的BP神经网络算法,针对二输入BP神经网络在数据量较低时训练效果较差的问题,利用特征工程提出了四输入BP神经网络来优化训练效果,经验证四输入BP神经网络在估算电池SOC时具有更高的精度,但过于依赖数据也是BP神经网络存在的问题。为同时克服UKF以及BP神经网络在有限条件下存在的弊端,本文将UKF与BP神经网络相结合,提出了一种BP-UKF算法用于电池SOC估算,该算法利用UKF进行初步估算,再利用BP神经网络进行补偿,经实验验证该算法在电池模型精度以及训练数据难以进一步优化的前提下仍可以准确地估算电池SOC,极大地提升了SOC估算算法的精度以及适应性。本文对UKF算法在SOC估算时的运算过程进行着重研究,得到了SOC补偿值与电池模型端电压的关系,从而利用较为准确的SOC对电池进行修正,经验证,利用上一时刻的SOC补偿值修正后的电池模型端电压误差显著下降,这对于电池管理系统的可靠运行具有重要意义。