簡單，高效，準確，便宜。
SOC（State of Charge），即電池的剩餘電量，也稱為荷電狀態。表示電池使用或長期擱置一段時間後，其剩餘容量與總的可用容量的比值，常用百分數表示。
對電池SOC的準確估算，既是電動汽車估算續航裡程最基本的要求，又是提升電池利用效率和安全性能的基本保證。
安時積分
經典的SOC估算一般採用安時積分法（也叫電流積分法或者庫侖計數法）。即電池充放電時，通過累積充進和放出的電量來估算SOC。
簡化公式如下：
從以上公式不難看出，但該估算方法存在著誤差，主要來源於三個方面：
1. 電流採樣造成誤差
採樣精度採樣間隔
2. 電池容量變化造成誤差
溫度變化電池老化充放電倍率不同電池自放電
3. SOC
初始SOC估算困難最終SOC過程取捨誤差
安時積分法只單純從外部記錄進出電池的電量，但忽略了電池內部狀態的變化。同時電流測量不準，造成SOC計算誤差會不斷累積，需要定期不斷校準。
開路電壓法
一般校準方法採用開路電壓法。其原理是利用電池在長時間靜置的條件下，開路電壓與SOC存在相對固定的函數關係，從而根據開路電壓來估算SOC。
開路電壓法簡單便捷，但也存在很多缺點：
1. 電池須經過長期靜置，但電動汽車啟動頻繁，開路電壓短時間內很難穩定；
2. 電池存在電壓平臺，特別是磷酸鐵鋰電池，在SOC30%-80%期間，端電壓和SOC曲線近似為直線；
3. 電池處於不同溫度或不同壽命時期，儘管開路電壓一樣，但實際上的SOC差別可能較大；
下圖為磷酸鐵鋰電池（LiFePO4）開路電壓與SOC關係圖：
除了開路電壓法外，還有內阻測量法，放電實驗法等。但由於電池內阻不易測量，放電時間過長，放電過程中電池無法工作，上述方法均只能在實驗室條件下操作。
卡曼濾波法
卡爾曼濾波已廣泛應用於航天、通信、導航、控制、圖像處理等領域。對於動力電池採用卡爾曼濾波進行SOC估算，是當前非常主流的一個方向。
卡曼濾波的核心思想是：根據當前儀器的「測量值」，上一刻的「預測量」，以及「誤差」，來計算得到當前的「最優值」。
其亮點是把誤差（預測誤差和測量誤差，通稱為噪聲）納入了計算，誤差獨立存在，不受測量數據的影響。
卡曼濾波法適用於各種類型不同老化階段的電池，其精確性很大程度依賴於電池等效模型的建立，計算量比較大。
神經網絡
近年來，人工智慧方法也被應用於電池SOC估算中，目前主流採用的是BP（back propagation）神經網絡法。
神經網絡法是模擬人腦及神經元來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，只需提前從電池中提取出符合工作特性的輸入與輸出樣本，並將其輸入到建立系統中，就能獲得運行中的SOC 值。
該方法後期處理相對簡單，即能有效避免卡曼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。
但神經網絡法需要大樣本數據，樣本對訓練結果有重大影響，需要篩選合適樣本，取樣工作量大。
小結
雖然電動汽車已量產多年，但實際上對於電池SOC估算的技術還遠不成熟。
估算方法雖然很多，但都存在一定的缺陷，卡曼濾波或者神經網絡大部分都是處於paper work階段。在實際應用中，一般是在安時積分基礎上再加入一些影響因子進行校正。
對於未來，隨著電池資料庫不斷積累，電流電壓測量精度進一步提高，電池模型更加精確的引入，SOC的算法將進一步與整車控制器進行結合，朝著簡單，高效，準確，便宜的方向上發展。
參考文獻
「詳解卡爾曼濾波原理」，engineerlixl 的CSDN 博客；
「卡爾曼濾波，最最容易理解的講解，找遍網上就這篇看懂了」，走錯路的程式設計師的CSDN 博客；
「電動汽車動力電池SOC估算方法綜述」，華周發，李靜《電源技術》；
「對SOC/SOH算法的一些思考「，喬昕；
版權聲明：本文為「汽車人參考」原創，如需轉載，請務必提前聯繫我們，獲得授權。轉載時請註明「本文出處於+媒體平臺名稱+汽車人參考」以及原文連結，侵權必究。