电池SOC（荷电状态），代表电池剩余可用电量占总容量的百分比，是电池管理系统中最为重要状态之一，为电动汽车的电池安全管理、充放电控制、整车能量管理等功能提供重要参考。所以，进行高精度的SOC估计是所有电动汽车BMS软件开发必须面对的问题。

本文将先介绍常见的SOC估计方法及其优缺点，再选择一种最为普遍的方法（基于电路模型的SOC估计方法）进行系统的介绍，让大家了解整个估计算法的实现流程。

常见的SOC估计方法

工程上常见的SOC估计方法主要有：开路电压法、安时积分法、基于模型的方法等。

开路电压法

开路电压（OCV），即电池在开路状态下的端电压，一般与电池SOC呈一定单调关系。如果先通过试验测试出不同SOC下开路电压的数据，拟合出两者之间的关系曲线，那么就可以根据测量的开路电压来估计电池的SOC。

该方法估计精度较高，但缺点也很明显，需要在开路的情况下进行测量开路电压，而且需要在静置一段时间后才能保证估计精度。所以其使用范围有限，一般在车辆启动之前（电池无充电放电电流），通过该方法来估计初始的SOC值。

安时积分法

安时积分法，直接通过SOC的定义来实时计算SOC值。

在已知SOC初始值的前提下，只要可以测量出电池的电流（式中放电电流为正），通过电流积分，可以准确地计算出电池电量的变化情况，进而得到剩余电量SOC。

该方法在短时间内的估计结果比较可靠，但由于电流传感器的测量误差以及电池容量的逐渐衰退，长时间的电流积分会引入一定的偏差。所以其一般与开路电压法估计初始值配合，用于精度要求不高的SOC估计，也可以与基于模型的方法配合，用于短时的SOC预测。

基于模型的方法

基于模型的方法中最经典的就是，以等效电路模型为基础，利用卡尔曼滤波算法，进行SOC估计。

该方法先利用建立的精确模型进行SOC的先验估计和端电压的预测，再根据端电压的实际测量值与预测值对比情况进行增益修正，不断迭代优化，实现SOC的最优估计。该方法在准确模型的基础上，可以实现SOC的高精度估计，即使初始SOC误差较大，SOC估计值也能很快的收敛，鲁棒性好，是目前工程上最主流的方法。

需要注意的是，该方法假设电池的容量已知。

基于电路模型的SOC估计流程

在介绍基于电路模型的SOC估计算法之前，有必要从整体的角度去理解SOC的估计流程，如下图所示。

主要分为三个步骤：

1） 开路电压与SOC关系曲线获取

通过试验测试，得到不同SOC下的开路电压；用高阶多项式去拟合数据，得到其关系曲线。后面进行电池模型参数辨识、卡尔曼滤波算法都需要利用该关系进行计算。

2） 电池模型参数辨识

参数辨识是为下一步SOC的先验估计提供基础。需要先根据电路模型得到电流、端电压之间的传递函数，再进行离散化得到差分形式的递推方程，就可以利用最小二乘法在线辨识出电池模型参数。

3） 卡尔曼滤波SOC估计

以等效电路模型、安时积分公式建立状态方程，以端电压与SOC关系曲线建立量测方程，以电流为输入、端电压为输出进行SOC的实时估计。

以上，介绍常见的SOC估计方法，并对其中的卡尔曼滤波估计方法进行了流程上的大致介绍。后面将参考上述流程，对参数在线辨识、SOC实时估计进行详细的仿真介绍。