随着全球新能源汽车的飞速发展,电池相关技术也成为了研究重点。电池荷电状态(State of Charge,SOC)是电池最重要的参数之一,代表了电池剩余电量。电池SOC精确的估计可以避免电池的过度充放电、保证电池的健康使用,具有十分重要的意义。本文以锂电池为对象,深入研究了锂电池在不同温度和工况下的SOC估计,具体的工作如下:介绍了SOC的定义和研究现状,分析了锂电池的结构和原理,探究了锂电池的充放电特性和影响SOC的几种常见因素,研究了温度、放电倍率和电池内阻与SOC之间的关系,最终将电池放电温度和电池放电倍率作为锂电池SOC的影响因素。采用NARX神经网络作为SOC估计的模型,设计了NARX网络结构,针对不同温度搭建了NARX网络。在数据集的选用上,考虑到电池放电倍率对SOC的影响,使用了不同工况下的数据作为网络的训练集和测试集,包括DST工况、FUDS工况和US06工况下数据,更接近动力电池实际使用的放电情况。利用循环神经网络GRU对锂电池进行SOC估计,使用电池放电电压、电流和温度作为网络的输入数据,该模型和NARX网络相比只需要训练一次模型即可对不同温度下的工况数据做SOC估计,并且可以同时对电池充电过程做SOC估计。结果证明GRU对动力电池SOC的估计是有效的,但是同时该网络的预测也存在着稳定性不够的问题。最后,对GRU网络存在的问题做了改进,使用UKF对GRU网络进行优化,提出了GRUUKF模型。使用改进后的模型对测试集数据进行SOC估计,结果显示GRU-UKF的性能相比于GRU网络有了明显的改进,网络的稳定性和准确度有了较大的提升。