電池技術(shù)發(fā)展至今，用來估算SOC的方法已經(jīng)出現(xiàn)了很多種，既有傳統(tǒng)的電流積分法、電池內(nèi)阻法、放電試驗法、開路電壓法、負載電壓法，也有較為創(chuàng)新的Kalman濾波法、模糊邏輯理論法和神經(jīng)網(wǎng)絡(luò)法等，各種估算方法都有自己的優(yōu)缺點，下面對常用的幾種SOC方法進行簡要介紹：

　　（1）電流積分法

　　電流積分法也叫安時計量法，是目前在電池管理系統(tǒng)領(lǐng)域中應(yīng)用較為普遍的SOC估算方法之一，其本質(zhì)是在電池進行充電或放電時，通過累積充進或放出的電量來估算電池的SOC，同時根據(jù)放電率和電池溫度對估算出的SOC進行一定的補償。如果將電池在充放電初始狀態(tài)時的SOC值定義為SOCt0，那么t時刻后的電池剩余容量SOC則為：

　　式中，Q為電池額定容量，n為充放電效率，也叫庫侖效率，其值由電池充放電倍率和溫度影響系數(shù)決定，i為t時刻的電流。與其它SOC估算方法相比，電流積分法相對簡單可靠，并且可以動態(tài)地估算電池的SOC值，因此被廣泛使用。但該方法也存在兩方面的局限性：其一，電流積分法需要提前獲得電池的初始SOC值，并且要對流入或流出電池的電流進行精確采集，才能使估算誤差盡可能小；其二，該方法只是以電池的外部特征作為SOC估算依據(jù)，在一定程度上忽視了電池自放電率、老化程度和充放電倍率對電池SOC的影響，長期使用也會導(dǎo)致測量誤差不斷累積擴大，因此需要引入相關(guān)修正系數(shù)對累積誤差進行糾正。

　　（2）放電試驗法

　　放電試驗法是將目標(biāo)電池進行持續(xù)的恒流放電直到電池的截止電壓，將此放電過程所用的時間乘以放電電流的大小值，即作為電池的剩余容量。該方法一般作為電池SOC估算的標(biāo)定方法或者用在蓄電池的后期維護工作上，在不知道電池SOC值的情況下采用此方法，相對簡單、可靠，并且結(jié)果也比較準(zhǔn)確，同時對不同種類的蓄電池都有效。但是放電試驗法也存在兩點不足：第一，該方法的試驗過程需要花費大量的時間；第二，使用此方法時需要將目標(biāo)電池從電動汽車上取下，因此該方法不能用來計算處于工作狀態(tài)下的動力電池。

　　（3）開路電壓法

　　開路電壓法是根據(jù)電池的開路電壓（OpenCircuitVoltage，OCV）與電池內(nèi)部鋰離子濃度之間的變化關(guān)系，間接地擬合出它與電池SOC之間的一一對應(yīng)關(guān)系。在進行實際操作時，需要將電池充滿電量后以固定的放電倍率（一般取1C）進行放電，直到電池的截止電壓時停止放電，根據(jù)該放電過程獲得OCV與SOC之間的關(guān)系曲線。當(dāng)電池處于實際工作狀態(tài)時便能根據(jù)電池兩端的電壓值，通過查找OCV-SOC關(guān)系表得到當(dāng)前的電池SOC。盡管該方法對各種蓄電池都有效，但也存在自身缺陷：首先，測量OCV前必須將目標(biāo)電池靜置1h以上，從而使電池內(nèi)部電解質(zhì)均勻分布以便獲得穩(wěn)定的端電壓；其次，電池處于不同溫度或不同壽命時期時，盡管開路電壓一樣，但實際上的SOC可能差別較大，長期使用該方法其測量結(jié)果并不能保證完全準(zhǔn)確。因此，開路電壓法與放電試驗法一樣，并不適用于運行中的電池SOC估算。

　　（4）Kalman濾波法

　　Kalman濾波法是美國數(shù)學(xué)家卡爾曼（R.E.Kalman）在上世紀60年代初發(fā)表的論文《線性濾波和預(yù)測理論的新成果》中提出的一種新型最優(yōu)化自回歸數(shù)據(jù)濾波算法。該算法的本質(zhì)在于可以根據(jù)最小均方差原則，對復(fù)雜動態(tài)系統(tǒng)的狀態(tài)做出最優(yōu)化估計。非線性的動態(tài)系統(tǒng)在卡爾曼濾波法中會被線性化成系統(tǒng)的狀態(tài)空間模型，在實際應(yīng)用時系統(tǒng)根據(jù)前一時刻的估算值與當(dāng)前時刻的觀測值對需要求取的狀態(tài)變量進行更新，遵循“預(yù)測—實測—修正”的模式，消除系統(tǒng)隨機存在的偏差與干擾。使用Kalman濾波法估算動力電池的SOC時，電池以動力系統(tǒng)的形式被轉(zhuǎn)化為狀態(tài)空間模型，SOC則變成為了該模型內(nèi)部的一個狀態(tài)變量。建立的系統(tǒng)是一個線性離散系統(tǒng)。

　　由于Kalman濾波法不僅能夠修正系統(tǒng)初始誤差，還能有效地抑制系統(tǒng)噪聲，因此在運行工況非常復(fù)雜的電動汽車動力電池的SOC估算中，具有顯著的應(yīng)用價值。不過該方法同樣存在兩點缺陷：其一，Kalman濾波法估算SOC的精度很大程度上取決于電池模型的準(zhǔn)確程度，工作特性本身就呈高度非線性化的動力電池，在Kalman濾波法中經(jīng)過線性化處理后難免存在誤差，如果模型建立得不夠準(zhǔn)確，其估算的結(jié)果也并不一定可靠；其二，該方法涉及的算法非常復(fù)雜，計算量極大，所需要的計算周期較長，并且對硬件性能要求苛刻。

　　（5）神經(jīng)網(wǎng)絡(luò)法

　　神經(jīng)網(wǎng)絡(luò)法是模擬人腦及其神經(jīng)元用以處理非線性系統(tǒng)的新型算法，無需深入研究電池的內(nèi)部結(jié)構(gòu)，只需提前從目標(biāo)電池中提取出大量符合其工作特性的輸入與輸出樣本，并將其輸入到使用該方法所建立系統(tǒng)中，就能獲得運行中的SOC值。該方法后期處理相對簡單，即能有效避免Kalman濾波法中需要將電池模型作線性化處理后帶來的誤差，又能實時地獲取電池的動態(tài)參數(shù)。但是神經(jīng)網(wǎng)絡(luò)法的前期工作量比較大，需要提取大量且全面的目標(biāo)樣本數(shù)據(jù)對系統(tǒng)進行訓(xùn)練，所輸入的訓(xùn)練數(shù)據(jù)和訓(xùn)練的方式方法在很大程度上都會影響SOC的估計精度。此外，在電池溫度、自放電率和電池老化程度不統(tǒng)一等因素的復(fù)雜作用下，長期使用該方法估算同一組電池的SOC值，其準(zhǔn)確性也會大打折扣。因此，在動力電池的SOC估算工作中該方法并不多見。