几种常用的锂电池SOC估算方法

1、安时积分法

安时累积法是目前SOC估算算法中最常用的算法之一，此种方法原理简单， 当知道电池初始荷电状态时，可以通过测量电池工作电流，对电流进行积分，从而计算出电池实时SOC。另外，需要考虑温度和老化程度的影响。其表达式如下：

SOC t1 是电池工作前的初始剩余电量；SOC t2 是要估算的实时剩余电量；Q为电池的额定容量；η为各个因素影响的综合系数;i为电池的充放电电流，充电时小于0，放电时大于0。

2、开路电压法

电池的电压随着电池的SOC的变化而变化，当电池SOC增加时，电池的电压也随着升高，反之下降。因此可以通过实验得到电池开路电压和SOC的函数拟合曲线，通过查表法估算电池的SOC。这种方法估算有点是估算较准确，但是存在很多缺点，首先这种估算方法只能在电池处于非工作状态下进行，否则误差很大。其次，开路电压和剩余电量的拟合曲线会因为外部环境的变化而变化，从而导致估算误差。

3、内阻法 ‍ ‍ ‍

电池的交流内阻代表充放电电流和电池电压的函数关系，可以描述为一个 复变量，可以用交流阻抗仪测量。交流内阻容易受外界因素影响，当环境温度发生变化，或者电池工作状态发生变化时，交流内阻也会随着变化。因为交流内阻确定比较困难，所以测量交流内阻法还只是处于研究阶段，在实际应用中并不常见。

电池的直流内阻遵循欧姆定律，因此又被成为欧姆内阻。由欧姆定律可知， 电池在工作状态和非工作状态切换到瞬间，电池电压的变化量和工作电流的比值即为欧姆内阻的阻值。同样，欧姆内阻也会受到外部环境和工作状态的影响，但是其在电池放电后期相对稳定，可以在放电后期通过测量欧姆内阻来估算电池的SOC。

4、卡尔曼滤波法

美国数学家Kalman提出的卡尔曼滤波法可以得到线性动态系统状态向量 的最优估算。改进后的扩展卡尔曼滤波法，可以将非线性的系统函数通过泰勒公式进行线性处理。电池在充放电过程中是一个非线性系统，因此适合用扩展卡尔曼滤波法进行SOC估算。

扩展卡尔曼滤波算法的优点是可以实时地对电池的SOC进行修正，抗噪声 干扰能力较强。此种算法能修正系统的初始误差，同时能够较好的抑制噪声干扰，估算精度较好。但是这种方法计算过于复杂，计算周期长。

5、 神经网络法

神经网络法是目前电池SOC估算的新型算法，其原理是结合大量实验数据， 确定算法的输入样本和输出样本。因此可以将电池的SOC作为输出样本，电压、温度、内阻等特征量作为输入样本，从而对SOC进行估算。这种方法的优点是精度较高，后期数据处理简单，但是其需要用大量的样本数据对之前建立好的系统进行训练，并且SOC估算精度过于依赖前期样本的数据和训练模式。神经网络模型如图