SOC估算

由于SOC受充放电倍率、温度、自放电、老化等因素的影响，使得动力电池在使用过程中表现出高度的非线性，这为准确估算SOC带来困难。

目前较常采用的方法有放电试验法、安时计量法、开路电压法、负载电压法、内阻法、神经网络法、卡尔曼滤波法。

1.放电试验法

放电试验法是最可靠的SOC估计方法，即采用恒定电流对动力电池进行连续放电至终止电压，放电电流与时间的乘积即为电池的剩余电量。放电试验法在实验室中经常采用，适用于所有的动力电池，但它有两个显著缺点：需要大量时间，动力电池进行的工作要被迫中断。放电试验法不适合行驶中的电动汽车，可用于电动汽车动力电池的检修。

2.安时计量法

安时计量法是最常用的SOC估计方法。如果充放电起始状态为 $SOC_{0}$ ，那么当前状态的SOC可由以下公式计算：

$SOC= SOC_{0}-\frac{1}{C_{N}}\int_{0}^{t}\eta Id\tau$

$C_{N}$ 为额定容量；I为电池电流； $\eta$ 为充放电效率。

安时计量法中有三个主要问题：方法本身无法给出动力电池初始SOC；电流测量不准确将造成SOC计算误差，长时间累计，误差会越来越大；必须考虑动力电池的充放电效率。电流测量问题可以通过使用高性能电流传感器来解决，但成本会增加。解决电池充放电效率问题要通过事前的大量试验建立电池充放电效率的经验公式。安时计量法可以应用于所有电动汽车动力电池。如果电流测量准确，有足够的估计起始状态数据，安时计量法将是一种简单、可靠的SOC估计方法。

3.开路电压法

动力电池的开路电压在数值上接近动力电池电动势。铅酸电池电动势是电解液浓度的函数，电解液密度随动力电池放电成比例降低，所以用开路电压可以比较准确地估计SOC。镍氢动力电池和锂离子动力电池的开路电压与SOC关系的线性度不如铅酸电池，但其对应关系也可以估计SOC，尤其在充电初期和末期效果较好。

开路电压的显著缺点是需要动力电池长时间静置也达到电压稳定，动力电池状态从工作恢复到稳定需要几个小时，这给测量造成困难，静止时间如何确定也是一个问题，所以该方法单独使用只适用于电动汽车驻车状态。由于开路电压法在充电末期SOC估计效果好，常与安时计量法结合使用。

4.负载电压法

动力电池充放电开始瞬间，电压迅速从开路电压状态进入负载电压状态，在动力电池负载电流保持不变时，负载电压随SOC变化的规律与开路电压随SOC的变化规律相似。

在动力电池放电时，根据放电电压和电流查表可以得到SOC估计值。

负载电压法的优点是能实时估计动力电池SOC，在恒流放电时具有很好的效果。实际应用中，剧烈波动的动力电池电压给负载电压法应用带来困难。负载电压法很少应用到实车上，但常用来作为动力电池充放电截止的判据。

5.内阻法

动力电池内租有交流阻抗和直流内租之分。交流阻抗和直流内租都与SOC密切相关。动力电池交流阻抗为电压与电流之间的传递函数，是一个复数变量，表示动力电池对交流电的反抗能力，要用交流阻抗仪来测量。动力电池交流阻抗受温度影响大，且关于在动力电池处于静置后的开路状态还是在充放电过程中进行交流阻抗仪的测量存在争议，所以很少用在实车上。

6.神经网络法

估计动力电池SOC常采用三层典型神经网络。输入、输出层神经元个数由实际需要来确定，一般为线性函数。中间神经元个数取决于问题的复杂程度及分析精度。估计动力电池SOC常用的输入变量有动力电池的电压、电流、温度、内阻、累积放出电量、环境温度等。神经网络输入变量的选择是否合适、变量数量是否恰当，直接影响模型的准确性和计算量。神经网络法适用于各种动力电池，缺点是需要大量的参考数据进行训练，估计误差受训练数据和训练方法的影响很大。