1.基于后向差分离散模型的动力电池SOC估计的方法，具体步骤如下：第一步、动力电池后向差分离散模型及参数辨识

1.1.动力电池模型

采用电池的Thevenin模型，电池的极化电阻Rp与电池的极化电容Cp并联构成一阶RC结构，表示电池的极化反应，RC两端电压为Up(t)；串接欧姆电阻R0和Uoc，Uoc为电池的开路电压OCV，采样得到电池端电压U(t)和流过欧姆内阻R0的电流i(t)；

电池Thevenin模型表示如下：

U(t)＝UOC(t)-R0i(t)-Up(t)；

1.2 模型离散化及参数辨识

1.2.1 模型离散化

用后向差分法对上述电池模型离散化，得差分方程，整理后得U(k)-UOC(k)＝a[U(k-1)-UOC(k-1)]+bI(k)+cI(k-1)式中，Uoc(k)表示k时刻的开路电压；U(k)为当前k时刻的电池端电压；I(k)为当前k时刻的回路电流；a,b,c为模型参数；

a、b和c与电池后向差分离散模型参数的关系如下：其中T为采样周期；

1.2.2 电池差分离散模型的参数辨识含遗忘因子的最小二乘算法辨识模型参数θ(k)的估计值 的过程如下：其中：

式中：φ(k)为数据向量，θ(k)为估计参数向量，e(k)为U(k)的预计误差，初值和P(0)根据经验赋值， 为θ(k)的估计值，λ为遗忘因子，λ＝0.95～1；

由FFRLS算法求得a、b、c的值，从而得到模型参数R0，Rp,Cp,UOC值；

第二步、基于自适应扩展卡尔曼滤波AEKF的电池电荷状态SOC估计选取SOC及电容Cp的端电压为状态变量X，即k时刻的状态X，表示为Xk＝[SOCk Up,k]T，系统状态方程和量测方程如下：

其中，νk是量测噪声，Uoc(SOCk)表示电池开路电压Uoc与SOC之间的非线性关系，如下：

8 7 6 5

Uoc(SOCk)＝k1SOCk+k2SOCk+k3SOCk+k4SOCk+

4 3 2

k5SOCk+k6SOCk+k7SOCk+k8SOCk+k9通过在线辨识得到的某个型号动力电池开路电压Uoc与实验得到的该型号动力电池SOC，运用最小二乘法求得该型号动力电池系数k1～k9；

AEKF算法估计SOC过程如下：

2.1 状态估计：

T

Xk＝[SOCk Up,k]状态的在当前时刻的k估计值其中Kk、 表达式为

T

其中 分别表示状态Xk＝[SOCk Up,k]在基于当前时刻看状态的时刻k的估计值, 在基于前一时刻状态下时刻k的估计值, 在基于前一时刻状态下时刻k-1的估计值，k是当前时刻，k-1是前一时刻；Ym|k是k时刻电池端电压的测量值, 是k时刻更新后的端电压预测值， 是基于前一时刻状态下k时刻SOC的预估值，Qk是系统过程噪声wk的协方差，Rk是系统量测噪声vk的协方差；

2.2 递推计算过程中的参数与状态的更新：

2.2.1 参数Qk、Rk更新

其中，μk是k时刻更新后的端电压预测值与端电压真实值的差值，Fk是每L个时刻对应差值的平均值，L是自适应窗口；

2.2.2 状态 更新：

其中，QN为动力电池的额定容量，η表示充放电效率。

2.根据权利要求1所述的基于后向差分离散模型的动力电池SOC估计的方法设计的基于后向差分离散模型的动力电池SOC估计系统包括微控制器及其连接的显示器，动力电池输出端接有电压传感器和电流传感器，电压传感器和电流传感器经模数转换模块连接嵌入微控制器，其特征在于：所述微控制器是嵌入式微控制器，嵌入微控制器含有低通滤波预处理模块、后向差分离散电池模型的参数在线辨识模块和AEKF算法SOC状态估计模块，所得电池电荷状态估计值结果在显示器上显示或直接传送到该设备的控制器局域网络。

3.根据权利要求2所述的基于后向差分离散模型的动力电池SOC估计系统，其特征在于：本系统与动力电池一起，嵌入在使用动力电池的设备中。

4.根据权利要求2所述的基于后向差分离散模型的动力电池SOC估计系统，其特征在于：所述微控制器接有CAN总线接口和/或RS232接口。

5.根据权利要求2所述的基于后向差分离散模型的动力电池SOC估计系统，其特征在于：所述电压传感器为具有隔离功能的电压传感器；所述电流传感器为霍尔电流传感器。