傳統燃油車上有油表，還有多少油，還能跑多遠，看一眼心裡就有數了。換做是電動汽車，駕駛員則需要了解電池包還剩下多少電量。荷電狀態又叫剩餘電量，SOC，State of Charge，是反應電池包內當前電量佔總體可用容量百分比的一個參數。駕駛員根據滿電狀態總的裡程數，可以推斷出當前電量的續航能力，也有車型直接顯示續航距離。
電量估計不準確的電動汽車，往往給車主帶來一些困擾。
電量跳變，即將停車的時候，掃了一眼電量，還剩下50%，估計回程勉強夠用了。過一會回來發動車子，發現電量指示在了40%，貌似回不去了……
突然掉電，電量還有30%的時候，一腳加速，驟然報警電量過低，停車了……
SOC的準確性，一直是電動汽車用戶詬病的重點，在網絡論壇上時常能看到，電動汽車車主說又被放到半路的抱怨帖。發展多年的電動汽車，SOC的準確估計仍然沒有做的特別好。
1 SOC估計幹什麼用
告知駕駛員剩餘裡程，是SOC對駕駛員的價值，同時，電動汽車和電池包的管理控制過程，也需要SOC的準確數據。
防止過充過放
SOC作為充放電的重要閾值，對電池包起到調節和保護作用。充電過程中，如果電池包電量過低，比如低於10%，則充電電流不能馬力全開，而是限流充電，直至達到正常電量範圍，方可放開限制。放電階段，當電量已經比較低，但仍然在放電截止電量以上，比如低至20%SOC，一般會限制功率輸出，防止大電流造成系統觸及停車電壓，並且期望以最節能的方式運行，跑更遠的距離。
作為低電量限流閾值
為什麼電池包電量較低的時候，需要設置限流策略？電量較低時，電池端電壓較低，如果突然發生大電流放電，電池極化內阻會迅速增大，使得內阻佔壓上升，電池電勢減去內阻佔壓後的電池端電壓則會相應降低。如果電流足夠大，則端電壓可能被拉低到停止供電電壓以下。如果低電壓持續時間超過延時時間，電池管理系統判斷電池電壓過低，無法繼續工作，需要斷電。於是主動斷掉電池包主迴路接觸器。突然的掉電於是發生了。當然，有的車型電源主迴路接觸器的控制權限在整車控制器上。
作為整車控制策略閾值
電動汽車上有多種用電器，空調，音響，轉向助力，剎車助力等等。當SOC降低到一定程度，用電器的權限需要作出排序，比如剎車助力無論什麼電量都必須供電，空調音響，電量少於一定值時必須停止供電等等。
2 算法
已經為大家熟知的算法有開路電壓法，安時積分法和內阻法。新近被研究較多的方法包括卡爾曼濾波法、神經網絡法等。新的方法正在不斷湧現，只是多數都在研究討論階段，實際應用中的算法仍然以舊方法為主。
開路電壓法
鋰電池的開路電壓與電池的荷電量有明確單調的對應關係，只要獲得準確的開路電壓就可以推算出電池電量。幾款電芯的開路電壓與SOC對應曲線如下圖所示。
先離線測量得到不同溫度不同SOC下的開路電壓值，形成表格。電池系統裝車以後，每當出現停止供電狀態，就可以調用表格數據，根據測量得到的開路電壓判斷電池荷電狀態。
開路電壓法，對電池電量的判斷準確，但條件限制比較多。必須在迴路斷開的情況下，電池靜置一段時間以後。這個要求使得在線測量不可能實現。
有人針對上述問題展開研究，發現迴路停止供電一定時間後的電池端電壓與開路電壓保持一個穩定的關係。採用這種方法，可以避免長時間靜置的過程，使得開路電壓法的應用範圍得到了拓展。
安時積分法
實時測量電池包主迴路電流，並將其對時間積分，充電為負放電為正。放電過程，用初始電量減去積分結果，得到當前電量；充電過程，用初始電量加上積分結果，得到當前電量。
安時積分法的一個問題是，初始電量的判斷，無法直接得到。另外，由於系統電流的波動性很大，而電流採樣是間隔一定時間進行一次，使得採樣值與一段時間的平均值並不一定近似，長時間累積下來，造成比較明顯的誤差，並且誤差不是安時積分法自己能夠消除的。因此，安時積分的實際應用必須與其他方法相結合，解決初值和累積誤差的問題。
內阻法
電芯的SOC與內阻之間存在對應關係，如下圖所示。實時測量內阻，進而得到電池的SOC，理論上是可行的。
但從上面圖中可以發現，內阻跟隨SOC變化的趨勢非常平緩，很小的內阻變化或者測量誤差，就可以造成SOC值較大的誤差。並且，內阻測量過程也存在著各種出現誤差的可能。測量接觸電阻過大；電池電流較大，出現較大的極化內阻的幹擾；電池溫升不一致，使得溫度監測點的溫度和電池本體溫度不一致，造成溫度補償出現偏差等等。內阻法估計SOC，實際應用案例比較少。
擴展卡爾曼濾波算法
卡爾曼濾波法，引入時域的概念，就是把一個過程看作是在時間軸上連續播放的無數狀態集合。用狀態方程描述動態過程，用測量方程描述觀測信息，用前一時刻的估計值和當前時刻的觀測值相互迭代，更新對狀態變量的估計。有人把卡爾曼濾波算法描述成：利用安時積分算法計算SOC，並用開路電壓法去校核安時積分的結果。安時積分法與狀態相對應，開路電壓法與測量相對應。想要引入溫度變量，則必須選擇表達內阻與電壓關係的電路模型，因為電池參數中，內阻是相對容易測量並且與溫度密切相關的量。
卡爾曼濾波基礎上延伸出來的各種算法，在多個計算領域得到應用，並且已經成為動力電池剩餘電量估計的新方法中，最為主流的一種。
神經網絡算法
在人工智慧大流行的背景下，神經網絡法同樣被應用於SOC估計。輸入參數是迴路電流和電池端電壓，輸出結果是SOC。其餘部分為通用神經網絡模型。只要能夠提供足夠數量的電壓、電流與SOC之間正確對應的數據，模型的輸出精度就可以不斷提高。
理論上神經網絡算法是非常理想的估計方法，只是應用的時機還不成熟，數據積累和計算能力的提高，都將推動神經網絡算法在動力電池SOC計算領域的實際應用。
3 影響SOC準確性的因素
從定義看，直接決定SOC數值的是兩個參數，電池的最大可用容量和當前電量。從各種算法都要用到的參數看，電池端電壓和迴路電流是最重要的測量參數。
最大可用容量
隨著電池循環次數的增加，電池逐漸老化。電池的最大可用容量跟著老化程度的加深而變小。系統中用來計算SOC的最大可用容量必須做出實時調整，才可能得到近似準確的SOC。
電流測量
影響電流測量精度的因素常見的包括：電流傳感器的精度、量程是否適當、電磁幹擾的存在以及採樣算法是否合理。
採樣算法，如果沿著時間軸均勻採樣，就會存在採樣點的電流值嚴重偏離這一階段平均值的問題。一種比較合理的方式是，電流變化劇烈的時段，增加採樣密度，電流平緩的階段，減小採樣密度，使得採樣值與真實值更加接近。
電壓測量
電壓測量可以區分成實時工作端電壓測量和開路電壓測量兩種情況。
工作電壓的實時測量，主要的影響因素是實時電流的大小，電流一方面影響電池極化內阻的大小，另一方面又決定了內阻佔壓的比例。另一個偶然因素是電壓測量點到電池極耳之間的阻值大小，可能是接觸不良，也可能是存在過長的導線，總之，如果這段電阻過大，達到了電芯內阻的數量級，則電壓測量結果會受到影響。
開路電壓測量，是比較簡單的情形，影響因素比較少，需要提出的是，電池靜置時間需要足夠長。
參考
1 沈佳妮，基於模型的鋰離子電池SOC及SOH估計方法研究進展
2 張方亮，基於改進EKF算法的鋰電池SOC估算方法研究
3 侯朝勇，基於微分曲線的LiFePO4電池SOC估計算法研究
4 劉偉龍，基於模型融合與自適應無跡卡爾曼濾波算法的鋰離子電池SOC估計
5 鄧磊，基於改進PNGV模型的動力鋰電池SOC精確估計
6 張持健，鋰電池SOC預測方法綜述
7 凡旭國，鋰離子電池組等效電路建模及SOC估算的研究
（圖片來自網際網路）