卡尔曼滤波算法是一种递推的线性最小方差估计算法,在动态电池模型精确且系统噪声先验特性已知的情况下,可以得到较好的系统状态估计。由于电池是一个复杂的非线性系统,在实际应用中很难获得精确的电池模型及系统噪声先验统计特性,从而导致滤波器精度降低甚至发散。为提高电池SOC估算精度及简化系统的运算,本文提出了一种基于改进EKF算法锂电池SOC估算方法,以某款35Ah三元材料锂电池为研究对象,对电池模型及基于模型的SOC估算算法进行了深入的研究。论文首先建立二阶Thevenin等效电路模型,然后分别采用脉冲放电实验法和含有遗传因子的递推最小二乘辨识方法对电池模型参数R0,R1,R2,C1,C2进行了辨识。根据最小二乘算法原理,借助脉冲放电法的实验数据,通过Matlab编程,拟合出不同SOC点的电池模型参数,并通过这些参数值建立了表征电池动态特性的数学模型;然后根据含有遗传因子的递推最小二乘算法递推原理,通过Matlab/Simulink建模,得出了实时的电池模型参数值,然后在Simulink环境下,根据放电HPPC工况实验数据,对两种方法辨识出的模型参数进行了仿真分析,并通过充电HPPC动态工况、DST动态循环工况的实验数据,对所建电池模型的准确性及对动态工况的适应性进行了验证。然后联合安时积分法,借助扩展卡尔曼滤波器不断的“预测—修正—预测”,实现了非线性电池系统SOC的估算。为进一步提高电池模型参数及状态估算的精度,本文结合脉冲放电法辨识的模型参数,采用DEKF算法,实现了更为准确的电池模型参数及状态的估算。采用传统EKF或DEKF算法对电池SOC进行估算时,由于不能准确估计出系统噪声和观测噪声的协方差,导致算法滤波精度降低,本文对上述算法进行了改进,借助Cauchy鲁棒函数数据校正思想,以双扩展卡尔曼滤波观测方程中的预测值与实际值的残差为基准,根据影响函数对状态噪声协方差阵Q进行实时修正,并通过SOC区间动态调节观测噪声协方差阵R,使算法具有更强的鲁棒性,算法不仅提高了电池模型的精度,还克服了EKF算法中由于系统噪声统计特性未知导致估算精度下降的问题,仿真结果表明,改进后的扩展卡尔曼滤波算法的SOC估算误差不超过2.5%,验证了该方法的有效性及精确性。