锂电池荷电状态SOC(state -o f-c har g e)的精确估算有助于电池管理系统制定针对电池组的均衡策略，延长电池组寿命。国内外研究学者通过调整卡尔曼滤波算法中误差协方差初值0 P 、噪声协方差Q和R，研究锂电池SOC估计方法[1]。文献[2]利用模糊控制器调控噪声协方差，研究扩展卡尔曼滤波EKF(extended Kalman filter)算法，实现SOC估计的快速收敛；文献[3]利用扩展卡尔曼滤波和无迹卡尔曼滤波UKF(unscented Kalman filter)循环估计电池状态量和系统参数，实现噪声协方差R的迭代更新，提高锂电池SOC估计精度；文献[4]通过构建不同放电倍率下的SOC与电池内阻关系式，实现变电流过程中SOC精确估算；文献[5]利用EKF算法估计锂电池SOC的同时，通过最小二乘法进行容量和误差协方差观测，实现锂电池SOC的多参数联合估计；文献[6]将神经网络和UKF进行结合， 设计主从滤波器分别对系统状态和噪声方差进行估计，提升SOC的估计速度和精度。 同时，文献[7-9]在锂电池模型方面进行改进， 通过提高等效电路模型精度进一步提升SOC估计精度；文献[10-11]利用含遗忘因子的递推最小二乘法FFRLS(forgetting factor recursive least squares)进行锂电池模型阻容参数在线辨识；文献[12]利用Huber-M方法改进卡尔门滤波算法，并将门控循环单元神经网络的输出量作为观测值，提高了锂电池SOC估计精度和收敛速度；文献[13]构建双扩展卡尔曼滤波方法，并行工作估算等效模型阻容参数和进行SOC估计；文献[14]提出利用循环神经网络并行工作的策略，对电池模型容量进行实时估算，修正模型放电倍率，提升SOC估计精度；文献[15] 通过建立电池等效电路模型，再结合神经网络的自学习能力实现老化后电池的SOC估计。 在SOC估计方法中，阻容参数的选取影响电池状态估计。离线辨识得到的时不变阻容参数，数值稳定，但会降低SOC估计精度；而在线辨识得到的时变阻容参数缺乏合理约束[ 10 ]，数值受电池工况影响，波动较大甚至发散，影响SOC估计的稳定性和收敛性。 本文基于锂电池等效电路模型，研究阻容参数的辨识方法，通过设置增益阈值建立阻容参数的合理约束，与U KF结合，构建阻容参数滤波优化无迹卡尔曼滤波R CO -U KF(res i sta n ce -ca p ac itance o p timizatio n unscented Kalman filter)算法，实现锂电池SOC快速估计。首先，进行混合功率脉冲特性HPPC(hybrid pulse-power characteristic)实验，根据实验数据建立电池等效模型；然后，进行间歇恒流放电实验和动应力测试DST(dynamic stress test)实验，验证RCO- UKF算法的收敛性及鲁棒性；最后，利用控制变量法，进行不同误差协方差初值的收敛性实验，给出增益阈值的参考区间。