Les batteries lithium-ion sont présentement le choix principal pour le stockage d’énergie dans les véhicules électriques (electric vehicle, EV). Il est donc essentiel d’avoir une estimation précise et fiable de l’état de charge (state of charge, SOC) en temps réel afin de prévoir l’autonomie de la batterie d’une manière fiable et d’éviter la dégradation due à une surcharge ou à une décharge profonde. Les méthodes d’estimation actuelles basées sur des modèles de circuits équivalents et des filtres, telles que le filtre de Kalman étendu (extended Kalman filter, EKF) et le filtre de Kalman sans parfum (unscented Kalman filter, UKF), fournissent une estimation efficace du SOC en temps réel. Cependant, elles supposent généralement un bruit de processus et un bruit de mesure gaussien, avec une moyenne et une covariance connues, ce qui peut ne pas être le cas dans la pratique. Le filtre de Kalman robuste en distribution utilise la distance de Wasserstein pour construire un ensemble d’ambiguïté autour d’un bruit de processus et de mesure nominal, se prémunissant ainsi contre toutes les déviations dans les valeurs nominales. Dans ce travail, nous proposons un nouveau filtre robuste en distribution de Kalman étendu (distributionally robust extended Kalman filter, DREKF), qui étend cette méthodologie au scénario nonlinéaire et on l’applique au problème de l’estimation de l’état de la batterie. Nous comparons le DREKF contre l’EKF et l’UKF utilisant des simulations basées sur un ensemble de données ouvertes provenant d’un programme de conduite sur dynamomètre urbain. Les résultats obtenus pour un éventail de températures démontrent que le DREKF atteint une précision comparable à celle des approches EKF et UKF conventionnelles dans des conditions nominales, tout en offrant une meilleure résilience aux valeurs aberrantes des mesures.