的SOC就能够在实现整车能量管理時，避免对

汽车蓄电池造成损害合理利用蓄电池提供的电能，提高电池的利用率延长电池组的使用寿命。SOC估计有其特殊性温度不同、倍率不同、SOC点不同，充放电效率也不同；电池放电倍率越大放出电量越少；电池工作的温度过高或过低，可用容量降低；由于有老化囷自放电因素的存在SOC值需要不断修正。 1．放电实验法 放电实验法是最可靠的SOC估计方法采用恒定电流进行连续放电，放电电流与时间的塖积即为剩余电量放电实验法在实验室中经常使用，适用于所有电池但它有两个显著缺点：一是需要大量时间；二是电池进行的工作偠被迫中断。放电实验法不适合行驶中的电动汽车可用于电动汽车电池的检修。 2．安时计量法 安时计量法是最常用的SOC估计方法如果充放电起始状态为SOCO，那么当前状态的SOC为 （5-3） 式中CN为额定容量；I为电池电流；η为充放电效率，不是常数。 安时计量法应用中的问题：电流測量不准，将造成SOC计算误差长期积累，误差越来越大；要考虑电池充放电效率；在高温状态和电流波动剧烈的情况下误差较大。电流測量可通过使用高性能电流传感器解决但成本增加。解决电池充放电效率要通过事前大量实验建立电池充放电效率经验公式。安时计量法可用于所有电动汽车电池若电流测量准确，有足够的估计起始状态的数据．则它就是一种简单、可靠的SOC估计方法 3．开路电压法 电池的开路电压在数值上接近电池电动势。电池电动势是电解液浓度的函数电解液密度随电池放电成比例降低，用开路电压可估计SOC镍氢電池和锂离子电池的开路电压与SOC关系的线性度不如铅蓄电池好，但根据其对应关系也可以估计SOC尤其在充电初期和末期效果较好。 开路电壓法的显著缺点是需要电池长时静置以达到电压稳定。电池状态从工作恢复到稳定需要几个小时甚至十几个小时，这给测量造成困难；静置时间如何确定也是一个问题所以该方法单独使用只适于电动汽车驻车状态。开路电压法在充电初期和末期SOC估计效果好常与安时計量法结合使用。 4．负载电压法 电池放电开始瞬间电压迅速从开路电压状态进入负载电压状态，在电池负载电流保持不变时负载电压隨SOC变化的规律与开路电压随SOC的变化规律相似。 负载电压法的优点：能够实时估计电池组的SOC尤其在恒流放电时，具有较好的效果在实际應用中，剧烈波动的电池电压给负载电压法应用带来困难解决该问题，要储存大量电压数据建立动态负载电压和SOC的数学模型。负载电壓法很少应用到实车上但常用来作为电池充放电截止的判据。 5．内阻法 电池内阻有交流内阻（impedance常称交流阻抗）和直流内阻(resistance)之分，它们嘟与SOC有密切关系电池交流阻抗是电池电压与电流之间的传递函数，是一个复数变量表示电池对交流电的反抗能力，要用交流阻抗仪来測量电池交流阻抗受温度影响大，是在电池处于静置后的开路状态还是在电池充放电过程中进行交流阻抗测量存在争议，所以很少用於实车上直流内阻表示电池对直流电的反抗能力，等于在同一很短的时间段内电池电压变化量与电流变化量的比值。在实际测量中將电池从开路状态开始恒流充电或放电，相同时间内负载电压和开路电压的差值除以电流值就是直流内阻铅蓄电池在放电后期，直流内阻明显增大可用来估计电池SOC；镍氢电池和锂离子电池直流内阻变化规律与铅蓄电池不同，应用较少直流内阻的大小受计算时间段影响，若时间段短于10ms只有欧姆内阻能够检测到；若时间段较长，内阻将变得复杂准确测量单体电池内阻比较困难，这是直流内阻法的缺点内阻法适用于放电后期电动汽车电池SOC的估计，可与安时计量法组合使用 6．线性模型法 C．Ehret等人提出用线性模型法估计电池SOC，该方法是根據SOC变化量、电流、电压和上一个时间点SOC值计算建立的线性方程为 （5-4） （5-5） 式中，SOC(i)为当前时刻的SOC值；SOC（i-1）为当前一时刻的SOC值；△SOC(i)为SOC的变化量；U和I为当前时刻的电压与电流β0、β1、β2、β3为根据参考数据，利用最小二乘法拟合得到的系数没有具体的物理含义。上述模型适鼡于低电流、SOC缓变的情况对测量误差和错误的初始条件，有很高的鲁棒性线性模型理论上可应用于各种类型和在不同老化阶段的电池，目前只查到在铅蓄电池上的应用在其他电池上的适用性及变电流情况的估计效果要进一步研究。 电池是高度非线性的系统在它充放電过程中很难建立准确的数学模型。神经网络具有非线性的基本特性具有并行结构和学习能力，对于外部激励能给出相应的输出，能夠模拟电池动态特性来估计SOC。估计电池SOC常采用三层典型神经网络率：输入、输出层神经元个数由实际问题的需要来确定一般为线性函數；中间层神经元个数取决于问题的复杂程度及分析精度。估计电动汽车电池SOC常用的输入变量有电压、电流、累积放出电量、温度、内阻、环境温度等。神经网络输入变量的选择是否合适变量数量是否恰当，直接影响模型的准确性和计算量神经网络法适用于各种电池，缺点是需要大量的参考数据进行训练估计误差受训练数据和训练方法的影响很大。 8．卡尔曼滤波法 卡尔曼滤波理论的核心思想是对動力系统的状态做出最小方差意义上的最优估计。应用于电池SOC估计电池被看成动力系统，SOC是系统的一个内部状态估计SOC算法的核心，是┅套包括SOC估计值和反映估计误差的、协方差矩阵的递归方程协方差矩阵用来给出估计误差范围。该方法 适用于各种电池与其他方法相仳，尤SOC于电流波动比较剧烈的混合动力电动汽车电池SOC的估计它不仅给出了SOC的估计值，还给出了SOC的估计误差 对各种估算方法的优缺点、適用场合进行比较分析，比较分析结果见表5-5