电池管理系统(Battery management system,BMS)是新能源汽车中的重要组成部分之一,对其研究成为最近几年的热点。荷电状态(SOC)作为BMS中的重要指标,对其精确的估计有着重要意义。然而SOC作为电池内部的状态量,其不可直接测量得到,因此需要通过各种间接的方法通过一定的非线性关系来对其进行估算。为此,本文首先对电池的性能进行分析,并对比研究了电池的各种模型。常见的电池模型通常只考虑电池的基本特性,忽略了开路电压和SOC之间的迟滞效应。为此文中以Preisach离散模型和一阶RC模型相结合得到新模型作为研究基础,并建立相应的状态空间方程。随后对比分析了各类SOC估算方法,通过分析得基于模型的估算法所能取得的精度更高。为此文中着重对比研究了扩展卡尔曼滤波(Extended Kalman Filter,EKF)、无迹卡尔曼滤波(Unscented Kalman Filter,UKF)和粒子滤波(Particle Filter,PF)以及PI观测四种常见算法,最终确定了UKF为SOC估算方法;另外文中还对比讨论了递推最小二乘法和EKF进行参数辨识时的优缺点,最终选取EKF算法作为本文参数辨识的方法。此外文中提出了Frisch方案的双滤波算法,文中先介绍了Frisch方案对噪声估计的基本原理,随后介绍了Frisch方案的双滤波算法具体实现过程。文中通过Frisch方案对电池的充放电电流和端电压进行噪声估计随后进行滤除,接着采用UKF结合EKF进行参数辨识和SOC在线联合估计。最后为了验证本文提出算法的有效性,通过搭建实验平台进行算法验证。在相同的实验条件下,将去噪声前的EKF-UKF算法和去噪声后的EKF-UKF算法以及去噪声前的RLS-UKF算法和去噪声后的RLS-UKF算法分别进行测试。实验结果表明经过Frisch方案进行噪声处理后在使用EKF-UKF进行参数辨识和SOC在线联合估计所得精度最高,并且该算法鲁棒性好。