动力电池是电动汽车的主要动力源,电池的荷电状态(State of Charge,SOC)相当于传统燃油车的油表,SOC的精确估计,对于电动汽车能量管理优化、动力电池容量的提高、防止电池过充电和过放电、对电动汽车使用过程中动力电池的安全性能以及长寿命等有着重要的作用。由于动力电池工作时其内部有复杂的电化学反应发生,导致电池内部表现出较强的时变性与非线性,这就使得电池管理系统(Battery Management System,BMS)很难精确地获取电池当前时刻的状态。另外,外部环境及使用工况的多样性,致使动力电池性能衰退的不确定性增加,同时随着电池工作频率的增加,其健康状态(State of Health,SOH)不可避免的发生变化即出现电池老化,这一变化将进一步加大电池SOC估计的难度。本文针对车用三元锂离子电池,从不同倍率、不同温度、不同寿命三个方面分析了电池特性的影响因素,应用等效电路模型建立了电池模型,分别对全寿命、宽温度范围下电池工作特性进行分析,并实现全寿命宽温度范围内锂离子电池的SOC估计。首先搭建了锂离子电池测试系统,从锂离子电池容量、电压、充放电速率、寿命、荷电状态等分析了电池的主要性能参数以及其影响因素。根据实验数据对动力电池的性能衰退、温度影响以及不同放电倍率下的特性进行了分析,对混合动力脉冲能力测试(Hybrid pulse power characterization,HPPC)实验的开展进行了描述。建立了二阶RC等效电路模型,基于实验数据运用遗传算法(Genetic Algorithm,GA)对模型参数辨识,建立了环境温度及寿命变化的电池数据库,使得模型的参数能够适应不同环境温度以及不同SOH。其次对卡尔曼滤波(Kalman Filtering,KF)算法及自适应扩展卡尔曼滤波(Adaptive Extended Kalman Filter,AEKF)的工作原理进行了推导、分析,对比分析了其优缺点,并对其工作原理进行了状态方程解析。应用自适应扩展卡尔曼滤波算法在不同温度下对电池的SOC进行估计,并在恒温及变温条件下验证了所建立模型的精度以及所应用算法的鲁棒性。最后,分析了电池老化对SOC的影响。随着电池使用频率的增加,电池放出的电量会随之减少即电池老化,电池的老化会影响电池SOC的估计精度。考虑准确的SOH值对电池SOC估计精度的影响,本文基于动力锂离子电池全寿命测试数据,应用长短期记忆网络(Long Short Term Memory networks,LSTM)算法更新AEKF算法中的输入容量,并对建立的老化模型进行参数辨识以及模型精度验证,运用线性插值理论,实现任意老化状态下的电池SOC准确估计,并在某一特定SOH下对SOC的估计精度进行了验证。