面对日益严重的全球变暖和能源危机,具有更高能源效率的纯电动汽车受到了广泛关注,并被多个国家立法鼓励作为清洁能源的重点应用对象。为了确保车用动力电池在复杂车辆行驶环境下的安全性和可靠性,需要电池管理系统对其实施有效的监控与管理。电池管理系统的关键功能是对电池内部状态进行精准估计。电池的核心状态包括荷电状态(SoC,State-of-Charge)和健康状态(SoH,State-of-Health)。精确的SoC和SoH估计不仅有利于电池在车载环境下安全和高效运行,更能为电池的梯次利用提供有效信息。因此,SoC和SoH的联合估计成为广泛关注和研究的热点问题。本论文围绕动力锂离子电池,针对现有文献中SoC和SoH联合估计方法收敛性、准确性和鲁棒性不足等问题,主要研究了基于非线性分数阶电路模型的模型参数、SoC和SoH多时间尺度联合估计方法。具体研究工作包括首先,概述了当前动力电池的发展现状及其管理技术,进一步地归纳了当前电池单体建模、SoC和SoH联合估计的国内外研究现状及其难点和不足。其次,概述了动力电池单体的实验系统和测试流程;阐述了分数阶微积分基本概念和分数阶电路模型基本原理;并进一步探索了分数阶电路模型参数最优辨识方法,对比整数阶电路模型验证了分数阶电路模型的准确性,为后续模型参数、SoC和SoH联合估计提供基础。再次,分析并推导了分数阶电路模型的回归表达式,并基于分数阶迭代最小二乘法实现了电池参数的在线估计;进一步融合分数阶卡尔曼滤波器和自适应滤波器构建了自适应分数阶卡尔曼滤波器,并基于该滤波器实现了SoC的在线估计。总结归纳了模型参数和SoC联合估计器的构成,并通过其他4种不同方法对比验证了所提出方法的准确性和收敛性。进一步地,通过与双自适应分数阶卡尔曼滤波器的比较,分别在同一电池不同老化状态下和不同电池不同老化状态下验证了所提联合估计器的准确性、收敛性和鲁棒性。最后,概述了全信息估计、滚动时域估计器和改进的滚动时域估计器的基本原理;创新地将分数阶阶数和电池容量作为表征电池SoH的模型参数,考虑其慢变特性,提出了一种滑动窗口离线估计方法;最后,分析了滑动窗口和物理约束对该方法的影响,验证了离线估计SoH对SoC在线估计的影响,并在不同电池单体和不同老化状态下验证了该方法的准确性。