傳統燃油車上有油表，還有多少油，還能跑多遠，看一眼心里就有數了。換做是電動汽車，駕駛員則要了解電池組還剩下多少電量。荷電狀態又叫剩余電量，SOC，StateofCharge，是反應電池組內當前電量占總體可用容量百分比的一個參數。駕駛員依據滿電狀態總的里程數，可以推斷出當前電量的續航能力，也有車型筆直顯示續航距離。

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……

猛然掉電，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的準確估計依然沒有做的特別好。

1SOC估計干什么用

告知駕駛員剩余里程，是SOC對駕駛員的價值，同時，電動汽車和電池組的管理控制過程，也要SOC的準確數據。

戒備過充過放

SOC作為充放電的緊要閾值，對電池組起到調節和保護用途。充電過程中，倘若電池組電量過低，比如低于10%，則充電電流不能馬力全開，而是限流充電，直至達到正常電量范圍，方可放開限制。放電階段，當電量已經比較低，但依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，戒備大電流造成系統觸及停車電壓，并且期待以最節能的方式運行，跑更遠的距離。

作為低電量限流閾值

為甚么電池組電量較低的時候，要設置限流策略?電量較低時，電池端電壓較低，倘若猛然發生大電流放電，電池極化內阻會迅速增大，使得內阻占壓上升，電池電勢減去內阻占壓后的電池端電壓則會相應降低。倘若電流足夠大，則端電壓可能被拉低到停止供電電壓以下。倘若低電壓繼續時間超過延時時間，電池管理系統判斷電池電壓過低，無法持續工作，要斷電。于是主動斷掉電池組主回路接觸器。猛然的掉電于是發生了。當然，有的車型電源主回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，用電器的權限要作出排序，比如剎車助力無論什么電量都非得供電，空調音響，電量少于一定值時非得停止供電等等。

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。新近被研究較多的辦法包括卡爾曼濾波法、神經網絡法等。新的辦法正在不斷涌現，只是多數都在研究討論階段，實際使用中的算法依然以舊辦法為主。

開路電壓法

鋰離子電池的開路電壓與電池的荷電量有明確單調的對應關系，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。電池系統裝車以后，每當出現停止供電狀態，就可以調用表格數據，依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。非得在回路斷開的情況下，電池靜置一段時間以后。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，發現回路停止供電一按時間后的電池端電壓與開路電壓保持一個穩定的關系。采用這種辦法，可以防止長時間靜置的過程，使得開路電壓法的使用范圍得到了拓展。

安時積分法

實時測量電池組主回路電流，并將其對時間積分，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，無法筆直得到。另外，由于系統電流的波動性很大，而電流采樣是間隔一按時間進行一次，使得采樣值與一段時間的均勻值并不一定近似，長時間累積下來，造成比較分明的誤差，并且誤差不是安時積分法自己能夠消除的。因此，安時積分的實際使用非得與其他辦法相結合，處理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系，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。并且，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干擾;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，實際使用案例比較少。

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繼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，并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，則非得選擇表達內阻與電壓關系的電路模型，因為電池參數中，內阻是相對容易測量并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，在多個計算范疇得到使用，并且已經成為動力鋰離子電池剩余電量估計的新辦法中，最為主流的一種。

神經網絡算法

在人工智能大流行的背景下，神經網絡法同樣被使用于SOC估計。輸入參數是回路電流和電池端電壓，輸出結果是SOC。其余部分為通用神經網絡模型。只要能夠供應足夠數量的電壓、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辦法，只是使用的時機還不成熟，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鋰離子電池SOC計算范疇的實際使用。

3影響SOC準確性的因素

從含義看，筆直決定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，電池端電壓和回路電流是最緊要的測量參數。

最大可用容量

隨著電池循環次數的新增，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的最大可用容量非得做出實時調整，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、量程是不是適當、電磁干擾的存在以及采樣算法是不是合理。

采樣算法，倘若沿著時間軸平均采樣，就會存在采樣點的電流值嚴重偏離這一階段均勻值的問題。一種比較合理的方式是，電流變化劇烈的時段，新增采樣密度，電流平緩的階段，減小采樣密度，使得采樣值與真切值更加接近。

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，緊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占壓的比例。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，倘若這段電阻過大，達到了電芯內阻的數量級，則電壓測量結果會受到影響。