1. SOC介绍

电池的荷电状态SOC反映电池的剩余容量状况，即在一定的放电倍率下，当前电池的剩余容量与总容量的比值。
为了充分发挥电池性能和提高安全性，需要准确估算电池SOC。动力电池在使用过程中表现的高度非线性提高了SOC估算的难度，所以SOC 算方法的选择十分重要。

2. 放电实验法

2.1. 原理

采用恒定电流进行连续放电，放电电流与时间的乘积即为剩余电量。

2.2. 优缺点

缺点：

• 实现整个过程需要大量时间；
• 电池进行的工作必须要中断，不适合行驶中的电动汽车，不能在线对 SOC 进行测量。

优点：

• 适用于所有电池，一般作为实验室检验所选SOC 算法精确度的标准；
• 用于研究电池的充放电特性和用于电池检修维护。

3. 安时积分法

3.1. 原理

安时积分法是一种最常用的电量累计方法，通过计算一段时间内电流和充放电时间的积分，计算变化电量的百分比，进而求出初始 SOC0 和变化的△ SOC之间的差，即为剩余容量 SOC，则当前 SOC 的计算公式为：

3.2. 特点

安时积分法没有从电池内部解决电量与电池状态的关系，只是从外部记录进出电池的能量， 电量的计量精度受电池温度、充放电倍率、电池老化等因素的影响。同时电流测量不准也将造成 SOC 估算误差，而且误差随时间积累越来越大。另外初始时刻的 SOC0 由于电池存在自放电现象也将影响 SOC 估算结果。所以要提高安时法的精度，就必须对这些因素有较好的处理方法。
在实际应用中，安时积分法适用于所有的电动汽车，一般作为 SOC 估算的基础，常与其它方法结合使用，从而提高SOC 的估算精度。

4. 开路电压法

4.1. 原理

由于电池在长时间静置的条件下，其端电压与 SOC 有相对固定的函数关系，所以可以根据开路电压估计 SOC。

4.2. 特点

开路电压法实施起来简单易行，在电池静置足够长的时间后测量精度比较高。但开路电压法有两个显著的缺点：

• 第一，电池必须经过长时间静置，端电压才能达到稳定状态，但由于电动汽车频繁的启停，工作电流变化大，所以在短时间内端电压不能稳定，所以不能实时准确估算 SOC；
• 第二，电池由于存在电压平台，比如磷酸铁锂电池，在 SOC 30％ ~80％期间，端电压和 SOC 的曲线近似为直线，电压变化范围非常小，目前的硬件技术达不到相应的测量精度要求，在此期间估算的SOC 误差就很大。

开路电压一般用于和其他方法结合使用，可以很好地提高SOC 的估算精度。

5. 测量内阻法

5.1. 原理

内阻法是根据蓄电池的内阻与 SOC 之间的联系来预测SOC。电池内阻有交流内阻和直流内阻之分，它们都和 SOC有密切关系。

5.2. 特点

电池交流阻抗受温度影响大，交流阻抗测量是在电池处于静置后的开路状态， 还是在电池充放电过程中进行， 存在争议，所以很少用于实车上。
直流内阻的大小受计算时间段影响，若时间段短于10ms，只有欧姆内阻能够检测到；若时间段较长，内阻将变得复杂。同时电池的内阻还受多方面因素的影响，且电池不同工作阶段电池内阻变化范围也不一样， 放电后期， 相对比较稳定；放电初期，内阻则变化大。因此，用内阻法估算 SOC，难度比较大，可信度不高。
在实际应用中，测量内阻法适用于放电后期对电池 SOC的估算，一般与安时积分法结合使用。

6. 线性模型法

线性模型法的原理是基于SOC的变化量、电流、电压和上一个时间点的SOC值建立的线性模型，具体表达式为：


式 中： SOC（i） 为 当 前 时 刻 的 SOC 值；Δ SOC（i） 为SOC 的变化量； U 和 I 为当前时刻的电压与电流；β 0、β1、β2、β 3 为系数。

上述用于估算 SOC 的模型建立在实验基础上，适用于低电流、SOC 缓变的情况，对测量误差和错误的初始条件有很高的鲁棒性。线性模型理论上可应用于各种类型和在不同老化阶段的电池，但目前只在铅酸电池上有实际应用，由于变化的SOC 与电流、电压的关系式不具有通用性，所以在其他电池上的适用性及变电流情况的估算效果要进一步研究。

7. 卡尔曼滤波法

卡尔曼滤波器是一个最优化自回归数据处理算法，其核心思想是对动力系统的状态做出最小方差意义上的最优估计。
Gregory L. Plett 将卡尔曼滤波的思想用于估算 SOC 值，就是将电池看成动力系统， SOC 是系统的一个内部状态。系统的输入向量为 Uk，通常包含电池电流、温度、剩余容量和内阻等变量，系统的输出 Yk 通常为电池的工作电压，电池SOC 包含在系统的状态量 Xk 中。

卡尔曼滤波法的优点主要表现在两方面：首先它很好地克服了安时积分法随时间的推移出现的误差累积效应；其次它对电池初始 SOC 值的精确度要求不高，可以在初始误差很大的情况下，很快将 SOC 值收敛到真实值附近。
卡尔曼滤波法结果的准确性和精确性在很大程度上依靠电池等效模型的建立，其估算误差主要来源于三方面：首先是模型的时变特性， 即电池在使用过程中其特性受很多因素的影响，会发生比较大的变化；其次是模型的非线性，即电池模型的某些物理特性是非线性的，要准确建立它的模型是比较难的；最后是噪声的近似处理以及管理系统物理量的测量精度等，这是由于卡尔曼滤波算法对模型噪声和测量噪声的统计特性作了假设，而实际情况中这些假设条件可能难以成立。
卡尔曼滤波法适用于各种电池，尤其适合于电流波动比较剧烈的混合动力汽车电池 SOC 的估算。它不仅给出了 SOC 的估算值，还给出了它的估算误差。

8. 神经网络

BP网络主要是利用输入、输出样本集进行相应训练，使网络达到给定的输入输出映射函数关系，常分为两个阶段：第一阶段为正向计算过程，由样本选取信息从输入层经隐含层直到输出层逐层计算各单元的输出值；第二阶段是误差反向传播过程，由输出层计算误差并逐层向前算出隐含层各单元的误差，并以此修正前一层权值。

神经网络法能快速、方便、高精度地估算 SOC，但其估算误差受训练数据、训练方法的影响很大；同时神经网络存在局部最优、训练周期长等缺点。在实际中，由于算法的复杂度使得计算量比较大，从而对硬件条件要求比较高，所以要想在实际中应用有待于更深入的研究。

9. 总结

目前基本上采用在安时积分法的基础上加入一些影响因子的校正来估算 SOC，其缺点是 SOC 的估算结果存在很大的误差，目前应用于电池管理系统的 SOC 估算技术还不是很成熟，上述用于电池 SOC 估算的方法都存在一定的缺陷，难以满足SOC 实时在线、高精度估算的要求。
未来 SOC 估算方法的研究将主要着眼于四点：首先通过大量实验，建立丰富的数据库，使得 SOC 估算有据可依，有据可查；其次，依靠检测技术的进步，提高电流、电压等的检测精度，保证用于 SOC 估算的基本数据的准确性；第三，引入准确的仿真模型， 更真实地表征电池在使用过程中的动态特性 ；最后综合各种算法，扬长补短，对 SOC 不同阶段引入不同的校正方法，最大程度地减少不同状态下的误差，提高其估算精度。