眾所周知，電動汽車的最核心部分是動力電池，動力電池的重要性不言而喻。而動力電池的SOC顯示則是動力電池管理工作的關鍵內容。
一、SOC的定義
SOC(State ofcharge)，即荷電狀態，用來反映電池的剩餘容量，其數值上定義為剩餘容量佔電池容量的比值，常用百分數表示。其取值範圍為0~1，當SOC=0時表示電池放電完全，當SOC=1時表示電池完全充滿。
電池SOC不能直接測量，只能通過電池端電壓、充放電電流及內阻等參數來估算其大小。而這些參數還會受到電池老化、環境溫度變化及汽車行駛狀態等多種不確定因素的影響，因此準確的SOC估計已成為電動汽車發展中亟待解決的問題。
二、SOC的影響因素及特徵參數
三、SOC的估算方法概述
<table><tbody>SOC的估算方法
估算策方法
優點
缺點
放電實驗法
準確、可靠
須中斷，時間長
安時計量法
計算簡單
不夠準確
開路電壓法
在數值上接近電池電動勢
需長時間靜置
內阻法
與SOC關係密切
測量困難
線性模型法
模型簡單
不夠準確
卡爾曼濾波法
適合非線性模型
需準確的模型算法
神經網絡法
精度比較高
需大量訓練方法和數據
/<tbody>/<table>四、SOC主要估算方法解析
（1）放電試驗法
放電試驗法是將目標電池進行持續的恆流放電直到電池的截止電壓，將此放電過程所用的時間乘以放電電流的大小值，即作為電池的剩餘容量。該方法一般作為電池 SOC 估算的標定方法或者用在蓄電池的後期維護工作上，在不知道電池 SOC 值的情況下采用此方法，相對簡單、可靠，並且結果也比較準確，同時對不同種類的蓄電池都有效。但是放電試驗法也存在兩點不足：第一，該方法的試驗過程需要花費大量的時間；第二，使用此方法時需要將目標電池從電動汽車上取下，因此該方法不能用來計算處於工作狀態下的動力電池。
（2）安時計量法
安時計量法（ampere hour，簡稱 AH），又稱電流積分法，安時積分法，安時計量法的原理是將電池在不同電流下的放電電量等價為某個具體電流下的放電電量，其主要思想是 Peukert 方程。由此，得到以下等效放電電量公式：
安時計量法計算電池 SOC 是相對較簡單的方法，該方法只是關注該系統的外部特徵，在電量估算過程中，只關心流進和流出電池的電量。安時計量法採用積分法實時計算電池充入與放出的容量，通過長時間記錄與計算電池的電量，最終可得到電池在某一時刻所剩餘電量。該方法容易實現，但由於沒有從電池內部得到電池 SOC 與充放電電量的關係，只是記錄充放電電量，從而會導致電池 SOC累計誤差，結果精度較低，而且該方法不能確定電池的初始值。綜合考慮電池 SOC的影響因素，進行電量補償，可以適當提高安時計量法的精度。
（3）開路電壓法
開路電壓法是根據電池的開路電壓（Open Circuit Voltage， OCV）與電池內部鋰離子濃度之間的變化關係，間接地擬合出它與電池SOC之間的一一對應關係。在進行實際操作時，需要將電池充滿電量後以固定的放電倍率（一般取1C）進行放電，直到電池的截止電壓時停止放電，根據該放電過程獲得OCV與SOC之間的關係曲線。當電池處於實際工作狀態時便能根據電池兩端的電壓值，通過查找OCV-SOC關係表得到當前的電池SOC。儘管該方法對各種蓄電池都有效，但也存在自身缺陷：首先，測量OCV前必須將目標電池靜置 1h 以上，從而使電池內部電解質均勻分佈以便獲得穩定的端電壓；其次，電池處於不同溫度或不同壽命時期時，儘管開路電壓一樣，但實際上的SOC可能差別較大，長期使用該方法其測量結果並不能保證完全準確。因此，開路電壓法與放電試驗法一樣，並不適用於運行中的電池SOC估算。
（4）內阻法
內阻測量法是用不同頻率的交流電激勵電池，測量電池內部交流電阻，並通過建立的計算模型得到 SOC 估計值。該方法測量得到的電池荷電狀態反映了電池在某特定恆流放電條件下的SOC值。由於電池SOC和內阻不存在一一對應的關係，不可能用一個數學來準確建模。所以，該方法很少使用於電動汽車。
（5）線性模型法
線性模型法原理是基於 SOC 的變化量、 電流、 電壓和上一個時間點 SOC 值， 建立的線性模型，這種 模型適用於低電流、 SOC 緩變的情況，對測量誤差和錯誤的初 始條件，有很高的魯棒性。線性模型理論上可應用於各種類型 和在不同老化階段的電池，但目前只在鉛酸電池上有實際應 用， 由於變化的 SOC 與電流、 電壓的關係式不具有通用性， 所 以在其他電池上的適用性及變電流情況的估計效果要進一步 研究。
（6）卡爾曼濾波法
卡爾曼濾波法是建立在安時積分法的基礎之上的。卡爾曼濾波法的主要思想，是對動力系統的狀態做出最小方差意義上的最優估計。該方法應用於電池SOC估計，電池被視為一動力系統，荷電狀態為系統的一個內部狀態。該算法的本質在於可以根據最小均方差原則，對複雜動態系統的狀態做出最優化估計。非線性的動態系統在卡爾曼濾波法中會被線性化成系統的狀態空間模型，在實際應用時系統根據前一時刻的估算值與當前時刻的觀測值對需要求取的狀態變量進行更新，遵循“預測—實測—修正”的模式，消除系統隨機存在的偏差與干擾。
由於Kalman濾波法不僅能夠修正系統初始誤差，還能有效地抑制系統噪聲，因此在運行工況非常複雜的電動汽車動力電池的SOC估算中，具有顯著的應用價值。
不過該方法同樣存在兩點缺陷：其一，Kalman濾波法估算SOC的精度很大程度上取決於電池模型的準確程度，工作特性本身就呈高度非線性化的動力電池，在Kalman濾波法中經過線性化處理後難免存在誤差，如果模型建立得不夠準確，其估算的結果也並不一定可靠；其二，該方法涉及的算法非常複雜，計算量極大，所需要的計算週期較長，需要需高運算能力的單片機。
（7）神經網絡法
神經網絡法是模擬人腦及其神經元用以處理非線性系統的新型算法，無需深入研究電池的內部結構，只需提前從目標電池中提取出大量符合其工作特性的輸入與輸出樣本，並將其輸入到使用該方法所建立系統中，就能獲得運行中的SOC 值。該方法後期處理相對簡單，即能有效避免Kalman濾波法中需要將電池模型作線性化處理後帶來的誤差，又能實時地獲取電池的動態參數。但是神經網絡法的前期工作量比較大，需要提取大量且全面的目標樣本數據對系統進行訓練，所輸入的訓練數據和訓練的方式方法在很大程度上都會影響SOC的估計精度。此外，在電池溫度、自放電率和電池老化程度不統一等因素的複雜作用下，長期使用該方法估算同一組電池的SOC值，其準確性也會大打折扣。因此，在動力電池的SOC估算工作中該方法並不多見。
（8）其他方法
近年來， SOC 的各種估算方法層出不窮，如支持向量迴歸法、模糊邏輯算法、 “離線計算、 在線查表”的模糊控制方法、分析法等等。
五、總結