电动汽车具有节能环保的优点,是当下的研究热点。锂离子电池具有长使用寿命和高能量密度,因此在电动汽车上被大量使用。电池管理系统是电动汽车的重要组成部分。而电池剩余电量(State Of Charge,SOC)是电池管理系统中的核心估计量之一,可以防止锂离子电池过充和过放,指导电池均衡,帮助提高电池使用效率,一般通过电池建模和设计相应的算法进行估计。但是在车载环境中,正常情况下随着温度、电池老化、工作工况等因素的变化,锂离子电池的内部参数具有时变性。更严重的,异常情况下估计过程中还会面对各种异常因素,如传感器噪声、模型参数衰变、误差累积、初始化误差和传感器漂移等。电池内部参数时变性和异常因素会严重影响SOC估计。故本文主要研究复杂工况下,考虑电池内部参数时变性和异常因素,如何对锂离子电池进行建模和在线SOC估计。主要内容如下:首先,本文通过搭建的高性能电池充放电测试平台,对等效电阻、电池容量、SOC-OCV曲线以及库仑效率等参数进行测量,并说明锂离子电池内部参数的时变性,为复杂工况下对锂离子电池进行建模提供基础。接着考虑电池组合模型,本文对复杂工况下的多种异常因素,如传感器噪声、电池模型衰变和初始化误差等,进行研究分析,结合状态方程和观测方程框架,分析不同异常因素下精确SOC估计对算法的要求,为设计异常因素下SOC的鲁棒性估计算法打下基础。其次,针对第二章在正常情况下对电池模型参数的时变性分析,本文设计了一种在线模型参数辨识和在线状态估计并行的算法框架。为了更好的描述锂离子电池的动态特性,采用扩展性更强的外因输入自回归(ARX,AutoRegressive eXogenous)模型来拟合电池极化电压部分。为了更好的跟踪动态参数,本文提出了自适应差分递归最小二乘对模型参数进行在线辨识,一方面可以忽略开路电压(OCV,Open Circuit Voltage)组成的差分部分,另一方面自适应多遗忘因子不仅可以解决参数变化的多时间尺度问题还可以有效减少在线辨识部分的计算复杂度。进一步,通过在线辨识的参数对模型进行实时更新,同时采用扩展卡尔曼滤波(EKF,Extended Kalman Filter)对SOC进行在线估计。通过实验验证,所提出的算法和含单一静态遗忘因子的递归最小二乘在线模型以及基于进化算法的离线模型相比,能更好的拟合参数时变性,特别是在剧烈变化的工况下,具有较高的SOC估计精确度。最后,针对第二章在异常情况下对多种异常因素和在线SOC估计的关联分析结果,本文提出了一种基于概率的多策略在线融合方法。通过结合比例积分观测器(PIO,Proportional-Integral Observer)的动态追踪能力和EKF的抗噪能力,在内阻变化、容量衰减、数据饱和和初始化误差等不同异常因素下,所提出的算法能够在线的根据贝叶斯分析结果对PIO和EKF的融合权重进行实时调整,同时保证在线SOC估计在多种异常因素下的鲁棒性和精确性。通过实验验证,在多种异常因素下,所提出算法能够自适应的根据当前状态调整最佳的融合方式,保证小于两个百分点的高精确性。