锂离子电池现已广泛应用在电动汽车中，为电动汽车提供驱动能源。在电动汽车的BMS系统中，电池荷电状态（SOC）的估算是动力电池管理的重要环节，整个汽车能量的管理以此为基础。但由于电池结构复杂，电池的荷电状态受放电电流、电池内部温度、自放电和老化等因素的影响，使得SOC的估算比较困难。目前常用的SOC估算方法有：安时积分法、开路电压法、内阻法、卡尔曼滤波法和神经网络算法等，本文简单介绍一下这几种算法的原理。

1. 安时积分法

经典的SOC估算方法一般都采用安时积分法（电流积分法），也就是在电池进行充放电时，通过计算累积充进和放出电芯的电量来估算SOC。

下图所示为安时积分法的简化公式。

从上图的公式中能够看出，SOC估算值的误差主要来自三个方面：

（1）电流采样误差，由I_now引起

a 电流采样精度误差

b 电流采样间隔误差

（2）电池容量变化误差，由C_max引起

a 温度变化

b 电池老化

c 充放电倍率

d 电池自放电

（3）SOC误差

a 初始SOC估算困难

b 最终SOC过程取舍误差

在安时积分法的应用中，如果电流测量不准确，将会造成SOC计算误差，而且随着时间的积累误差会越来越大。另外，还要考虑电池的充放电效率，温度对SOC的估算有较大的影响，在高温和电流波动剧烈的情况下，误差较大。电池充放电电流的测量可以通过高性能电流传感器解决，但成本较高。总的来说，安时积分法可以用于所有的电动汽车电池，如果电流测量准确，有足够的估计电池起始状态的数据，它是一种简单可靠的SOC估计方法。

2. 开路电压法

一般来说校准SOC估计值采用开路电压法。原理是利用电池在长时间静置的条件下，电池开路电压和SOC之前存在固定的函数关系，所以可以通过开路电压来估算SOC。

开路电压法只需要测量电池组电压即可估算出电池SOC，非常简单，但也存在以下缺点：

（1） 要求电池必须经过长期静置。但电动汽车启动频繁，所以开路电压在短时间内很难稳定。

（2） 电池存在电压平台，在某个SOC区间内，开路电压和SOC的关系近似为直线，压差很小只有几毫伏，造成SOC估算困难，同时对电压的采集也提出了很高的精度要求。

（3） 电池处于不同温度或不同寿命时期，尽管电池的开路电压一样，但实际上的SOC可能有较大的差别。

如下图所示为磷酸铁锂电池的开路电压与SOC关系图。

从图中看出，在SOC的20%～90%范围内，电池开路电压的变化很小，几乎为一条直线，这导致通过电压估算SOC值比较困难，误差较大。

3. 卡尔曼滤波法

卡尔曼滤波算法是一种最优化自回归数据处理算法，其基本思想是采用线性均方准则，利用一系列离散的、包含状态量的递归方程，通过结合与状态量相关的观测参数递归的更新估计值与测量值，从而得到线性系统状态变量的最优估计。

对动力电池采用卡尔曼滤波进行SOC估算是当前非常主流的一个方向，它的核心思想是根据当前的“测量值”、上一刻的“预测值”和“误差”，来计算得到当前的“最优值”，具有如下特点：

优点：

（1） 能够克服电流积分法对初始值依赖的缺点。

（2） 能够消除采样噪声。

缺点：

（1） 电池模型的参数会随着时间变化，需进行修正。

（2） 计算量大，对处理器性能要求高，一个采样周期难以完成计算。

（3） 处理器字长有限造成数据的舍入和截断误差的积累。

卡尔曼滤波法适用于各种不同类型老化阶段的电池，它的精确性很大程度依赖于电池等效模型的建立，计算量比较大。

4. 神经网络算法

人工智能方法已被应用于电池SOC估算，目前主流采用的是BP（back propagation）神经网络法。神经网络法是模拟人脑及神经元来处理非线性系统的新型算法，它的特点是无需深入研究电池的内部结构，只需要提前从电池中提取出符合工作特性的输入与输出样本，并将其输入到系统中，就能得到运行中的SOC值。

这种方法后期处理相对简单，既能有效避免卡尔曼滤波法中需要将电池模型进行线性化处理带来的误差，又能实时获取电池的动态参数。但神经网络方法需要大量的样本数据，样本对模型训练结果有重大影响，需要筛选合适的样本，取样工作量大。

虽然电动汽车技术已发展多年，但对为其提供能量的动力电池SOC估算的技术还不成熟。目前的估算方法虽然很多，但都存在一定的缺点，估算结果也都有较大的误差。未来随着电池数据库的不断积累，电流和电压测量精度进一步提高，电池模型更加精确的引入，SOC的算法将进一步与整车控制器结合，朝着简单、高效、准确的方向发展。