SOC即State of Charge，指電池的荷電狀態(tài)。從電量、能量等不同的角度，SOC有多種不同的定義方式。美國先進電池聯(lián)合會（USABC）定義的SOC被廣泛采用，即電池在一定的放電倍率下，剩余電量與相同條件下額定容量的比值。相應(yīng)的計算公式為：
式中，Qm為電池按照恒定的電流I進行放電時的最大放電容量；Ｑ(In)為在t時間里，標準的放電電流I下電池所釋放的電量。
鋰電池的荷電狀態(tài)是電池管理系統(tǒng)的重要參數(shù)之一，也是整個汽車的充放電控制策略和電池均衡工作的依據(jù)。但是由于鋰電池本身結(jié)構(gòu)的復(fù)雜性，其荷電狀態(tài)不能通過直接測量得到，僅能根據(jù)電池的某些外特性，如電池的內(nèi)阻、開路電壓、溫度、電流等相關(guān)參數(shù)，利用相關(guān)的特性曲線或計算公式完成對荷電狀態(tài)的預(yù)測工作。
鋰電池的荷電狀態(tài)估算是非線性的，目前常用的方法主要有放電實驗法、開路電壓法、安時積分法、卡爾曼濾波法、神經(jīng)網(wǎng)絡(luò)法等。
放電實驗法的原理是：以恒定的電流使電池處于不間斷的放電狀態(tài)，當放電到達截止電壓時對所放電量進行計算。放電電量值為放電時所采用的恒定電流值與放電時間的乘積值。放電實驗法經(jīng)常在實驗室條件下估算電池的荷電狀態(tài)，并且目前許多電池廠商也采用放電法進行電池的測試。
它的顯著優(yōu)點是方法簡單，估算精度也相對較高。其缺點也很突出：不可以帶負載測量，需要占用大量的測量時間，并且放電測量時，必須中斷電池之前進行的工作，使電池置于脫機狀態(tài)，因此不能在線測量。行駛中的電動汽車電池一直處于工作狀態(tài)，其放電電流并不恒定，此法不適用。但放電實驗法可在電池檢修和參數(shù)模型的確定中使用。
電池長時間充分靜置后的各項參數(shù)相對穩(wěn)定，此時的開路電壓與電池荷電狀態(tài)間的函數(shù)關(guān)系也是相對比較穩(wěn)定的。若想獲得電池的荷電狀態(tài)值，只需測得電池兩端的開路電壓，并對照OCV-SOC曲線來獲取相應(yīng)信息。
開路電壓法的優(yōu)點是操作簡單，只需測量開路電壓值對照特性曲線圖即可獲得荷電狀態(tài)值。但是其缺點有很多：首先此方法要想獲得準確值，必須使電池電壓處于相對穩(wěn)定狀態(tài)，但電池往往需要長時間的靜置，方可處于此狀態(tài)，從而無法滿足實時監(jiān)測要求，往往應(yīng)用于電動汽車長時間的駐車時。
當電池充放電比率不同的情況下，由于電流的波動會使電池開路電壓發(fā)生變化，從而導(dǎo)致電池組的開路電壓不一致，使得預(yù)測的剩余電量與電池實際剩余電量產(chǎn)生較大偏差。
安時積分法不考慮電池內(nèi)部的作用機理，根據(jù)系統(tǒng)的某些外部特征，如電流、時間、溫度補償?shù)龋ㄟ^對時間和電流進行積分，有時還會加上某些補償系數(shù)，來計算流入流出電池的總電量，從而估算電池的荷電狀態(tài)。目前安時積分法在電池管理系統(tǒng)中被廣泛應(yīng)用。安時積分法的計算公式如下：
式中，SOC0是電池電荷狀態(tài)的初始電量值；CE是電池的額定容量；I(t)為電池在t時刻的充放電電流；t為充放電的時間；η為充放電效率系數(shù)，又被稱作庫倫效率系數(shù)，代表了充放電過程中電池內(nèi)部的電量耗散，一般以充電放電的倍率和溫度修正系數(shù)為主。
安時積分法的優(yōu)點是受電池自身情況的限制相對較小，計算方法簡單、可靠，能夠?qū)﹄姵氐暮呻姞顟B(tài)進行實時的估算。其缺點是由于安時計量法在控制中屬于開環(huán)的檢測，如果電流的采集精度不高，給定的初始荷電狀態(tài)有一定誤差，伴隨著系統(tǒng)運行時間的延伸，之前產(chǎn)生的誤差會逐漸累積，從而影響荷電狀態(tài)的預(yù)測結(jié)果。并且由于安時積分法只是從外特性來分析荷電狀態(tài)，多環(huán)節(jié)存在一定誤差。從安時積分法計算公式中可以看出，電池的初始電量對計算結(jié)果的準確性影響較大。
為了能使電流測量的精度得到提高，通常采用高性能的電流傳感器來測量電流，但這樣加大了成本。為此，許多學者在應(yīng)用安時積分法的同時應(yīng)用開路電壓法，將二者結(jié)合。開路電壓法用來估算電池的初始荷電狀態(tài)，安時積分法用于實時估算，并且在算式中添加相關(guān)修正因子，以提高計算準確性。
卡爾曼濾波算法是利用時域狀態(tài)空間理論的一種最小方差估計，屬于統(tǒng)計估計的范疇，宏觀上就是盡可能減小和消除噪聲對觀測信號的影響，其核心是最優(yōu)估計，即系統(tǒng)的輸入量在預(yù)估基礎(chǔ)上對狀態(tài)變量進行的有效修正。
該算法的基本原理是：將噪聲與信號的狀態(tài)空間模型作為算法模型，在測量時，應(yīng)用當前時刻的觀測值與上一時刻的估計值，對狀態(tài)變量的估算進行更新?？柭鼮V波算法對鋰電池荷電狀態(tài)進行預(yù)測的實質(zhì)是安時積分法，同時用測量的電壓值來對初步預(yù)測得到的值進行修正。
卡爾曼濾波法的優(yōu)點是適合計算機對數(shù)據(jù)進行實時運算處理，應(yīng)用范圍廣，可以用于非線性系統(tǒng)，對行駛過程中電動汽車的荷電狀態(tài)預(yù)測具有較好的效果?？柭鼮V波法的缺點是對電池模型的準確程度依賴較大，為了提高該算法預(yù)測結(jié)果的準確性和精度，需要建立可靠的電池模型。此外，卡爾曼濾波法的算法相對比較復(fù)雜，因此其計算量也相對較大，對運算器的性能有較高要求。神經(jīng)網(wǎng)絡(luò)的目的是模仿人類的智能行為，通過并行結(jié)構(gòu)與自身較強的學習能力獲得數(shù)據(jù)表達的能力，能夠在外部激勵存在時給出相應(yīng)的輸出響應(yīng)，并使具有良好的非線性映射能力。
神經(jīng)網(wǎng)絡(luò)法應(yīng)用于鋰電池荷電狀態(tài)檢測的原理是：將大量相對應(yīng)的電壓、電流等外部數(shù)據(jù)以及電池的荷電狀態(tài)數(shù)據(jù)作為訓(xùn)練樣本，通過神經(jīng)網(wǎng)絡(luò)自身學習過程中輸入信息的正向傳播和誤差傳遞的反向傳播反復(fù)進行訓(xùn)練和修改，在預(yù)測的荷電狀態(tài)達到設(shè)計要求的誤差范圍內(nèi)時，通過輸入新的數(shù)據(jù)來得到電池的荷電狀態(tài)預(yù)測值。
神經(jīng)網(wǎng)絡(luò)法的優(yōu)點是可以對各種電池的荷電狀態(tài)進行估算，適用范圍廣；不需要建立特定的數(shù)學模型，不用考慮電池內(nèi)部復(fù)雜的化學變化過程，只需選擇合適的樣本，以及建立較好的神經(jīng)網(wǎng)絡(luò)模型，并且樣本數(shù)據(jù)越多，其估算的精度越高；能夠隨時確定電池的荷電狀態(tài)。神經(jīng)網(wǎng)絡(luò)法的缺點是對硬件要求較高，訓(xùn)練時所采用的數(shù)據(jù)樣本的準確性、樣本容量和樣本分布以及訓(xùn)練方法都會對電池的荷電狀態(tài)預(yù)測產(chǎn)生很大的影響。
本文對目前幾種主要的鋰電池荷電狀態(tài)預(yù)測方法做了簡單的介紹，詳細分析了它們各自的優(yōu)缺點。目前安時積分法仍然是應(yīng)用最多的荷電狀態(tài)預(yù)測方法，但由于安時積分法自身的局限性，往往結(jié)合開路電壓法等其他方法共同完成對鋰電池初始荷電狀態(tài)的檢測。
從發(fā)展趨勢來看，鋰電池的荷電狀態(tài)預(yù)測考慮的因素越來越全面，所采用的預(yù)測方法往往是前述好幾種方法的綜合應(yīng)用，使得預(yù)測結(jié)果更加準確。而且目前鋰電池的等效電路模型不斷發(fā)展，更加接近實際，使得荷電狀態(tài)預(yù)測精度得到進一步提升。
