一、SOC定义

一般定义:电池的荷电状态SOC被用来反映电池的剩余容量状况，其数值上定义为电池剩余容量占电池容量的比。

如果以电池充满状态定义为SOC=1，定义式可表示为:

式中， Qc为电池剩余的容量，Ci为电池以恒定电流I放电时所具有的容量，Q为已放出电量。

将电池的荷电状态设定为标称荷电状态SOCB和动态荷电状态SOCD两种情况。

(1)SOCB特指某一恒定温度下以标称的恒定电流放电时，电池所放出的标称容量为基准所确定的SOC值。

标称荷电状态将电流和温度固定化，但需对电池不可恢复性容量影响因素（如极板老化）进行修正：

式中，Q为电池在标称的电流下所放出的电量，CB为电池以标称的恒定电流放电所具有的容量,KN为电池不可恢复性影响因素。

（2）SOCD，指随电流、温度参数变化的电池荷电状态，动态荷电状态参数SOCD以标称荷电状态参数SOCB为基准，根据电流的变化进行换算，温度变化则以影响因数的形式予以修正：

式中，Kw为温度影响因数，可通过对该类电池进行试验获得；I为当前及以后一段时间持续稳定的实际电流。

二、SOC估算方法介绍

SOC估算方法可归结为电量累积法、电阻测量法和电压测量法3种基本类型。具体包括电量累积法、开路电压法、阻抗法、卡尔曼滤波法、神经网络法等。

（1）电量累积法

通过累积电池在充电或放电时的电量来估计电池的SOC，并根据电池的温度、放电率对SOC进行补偿。

式中，SOC0为初始SOC，Ci为电池额定容量；I为充放电电流，充电时取负，放电时取正；η为充放电效率。

优点:简单，在短时间能够准确估算SOC。

缺点:开环预测，存在无法确定初始SOC和累计误差越来越大的问题。

（2）开路电压法

通过实验方法描述在不同放电电流情况下的电池的端电压与电池的剩余能量的关系曲线，并存储特征关系曲线。实时采样电池放电时的端电压，查表求出电池的剩余能量，同时考虑电池的使用寿命以及内阻对电池SOC的影响，对求得的电池剩余能量进行校正。

优点：简单易行。

缺点：但是需要电池长时间静置，不能满足在线检测的要求。

（3）阻抗法

荷电状态(soc)影响电池的交流阻抗，因此有学者提出可以用阻抗值来估计SOC。用不同频率的交流电激励电池，测量电池内部交流电阻，并通过建立的计算模型得到SOC估计值。

优点：反映了电池在某特定恒流放电条件下的SOC值。

缺点：根据此SOC判断电池能继续放出的电量，还必须考虑后阶段放电率的实际情况。此外，由于电池SOC与电阻参数之间关系复杂，用传统的数学方法很难建模，还有很多因素都可以改变内阻，比如温度，充放电电流，SOH等。当SOC>40％时，阻抗变化很小。

（4）卡尔曼滤波法

它利用系统和测量动态的知识、假设的系统噪声和测量误差的统计特性，以及初始条件信息，对测量值进行处理，求得系统状态的最小误差估计。电动汽车用电池组，可看作是由输入和输出组成的动态系统。

在了解系统一定先验知识的前提下，建立系统的状态参数方程，再利用输出的校验作用，获得对系统包括荷电状态在内无法直接测量的内部参数估计。在电池等效电路模型的基础上，建立了系统的状态方程和测量方程。根据电池组放电试验数据，应用卡尔曼滤波算法估计电池组的开路电压，实现对电池荷电状态的估计。

优点：能够根据采集到的电压电流，由递推算法得到SOC的最小方差估计，解决SOC初值估计不准和累计误差的问题。

缺点：对电池模型依赖性很强，对系统处理器的速度要求较高。

（5）神经网络法

理论上，只要有适合的训练数据和训练方法，神经网络可以得到任何输入和输出之间的关系。该方法必须获得锂电池的性能参数，以上提到的其他方法也可以用于给神经网络提供数据。

优点：神经网络法在建好网络模型的前提下，依靠大量的样本进行数据训练可以得到较好的精度。

缺点：这种方法对训练方法和训练数据的依赖性很大，目前还没有得到很好的使用。