鋰離子電池的荷電狀態(tài)是電池管理系統(tǒng)的緊要參數(shù)之一，也是整個(gè)汽車的充放電控制策略和電池均衡工作的根據(jù)。但是由于鋰離子電池本身結(jié)構(gòu)的復(fù)雜性，其荷電狀態(tài)不能通過(guò)筆直測(cè)量得到，僅能依據(jù)電池的某些外特性，如電池的內(nèi)阻、開(kāi)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(jì)算公式完成對(duì)荷電狀態(tài)的預(yù)測(cè)工作。

鋰離子電池的荷電狀態(tài)估算是非線性的，目前常用的辦法緊要有放電試驗(yàn)法、開(kāi)路電壓法、安時(shí)積分法、卡爾曼濾波法、神經(jīng)網(wǎng)絡(luò)法等。

1放電試驗(yàn)法

放電試驗(yàn)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(dāng)放電到達(dá)截止電壓時(shí)對(duì)所放電量進(jìn)行計(jì)算。放電電量值為放電時(shí)所采用的恒定電流值與放電時(shí)間的乘積值。放電試驗(yàn)法常常在試驗(yàn)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(jìn)行電池的探測(cè)。

它的顯著優(yōu)勢(shì)是辦法簡(jiǎn)單，估算精度也相對(duì)較高。其缺點(diǎn)也很突出：不可以帶負(fù)載測(cè)量，要占用大量的測(cè)量時(shí)間，并且放電測(cè)量時(shí)，非得中斷電池之前進(jìn)行的工作，使電池置于脫機(jī)狀態(tài)，因此不能在線測(cè)量。行駛中的電動(dòng)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。但放電試驗(yàn)法可在電池檢修和參數(shù)模型的確定中使用。

2開(kāi)路電壓法

電池長(zhǎng)時(shí)間充足靜置后的各項(xiàng)參數(shù)相對(duì)穩(wěn)定，此時(shí)的開(kāi)路電壓與電池荷電狀態(tài)間的函數(shù)關(guān)系也是相比較較穩(wěn)定的。若想獲得電池的荷電狀態(tài)值，只需測(cè)得電池兩端的開(kāi)路電壓，并對(duì)照OCV-SOC曲線來(lái)獲取相應(yīng)信息。

開(kāi)路電壓法的優(yōu)勢(shì)是操作簡(jiǎn)單，只需測(cè)量開(kāi)路電壓值對(duì)照特性曲線圖即可獲得荷電狀態(tài)值。但是其缺點(diǎn)有很多：首先此辦法要想獲得準(zhǔn)確值，非得使電池電壓處于相對(duì)穩(wěn)定狀態(tài)，但電池往往要長(zhǎng)時(shí)間的靜置，方可處于此狀態(tài)，從而無(wú)法滿足實(shí)時(shí)監(jiān)測(cè)要求，往往使用于電動(dòng)汽車長(zhǎng)時(shí)間的駐車時(shí)。

當(dāng)電池充放電比率不同的情況下，由于電流的波動(dòng)會(huì)使電池開(kāi)路電壓發(fā)生變化，從而導(dǎo)致電池包的開(kāi)路電壓不一致，使得預(yù)測(cè)的剩余電量與電池實(shí)際剩余電量出現(xiàn)較大偏差。

3安時(shí)積分法

安時(shí)積分法不考慮電池內(nèi)部的用途機(jī)理，依據(jù)系統(tǒng)的某些外部特點(diǎn)，如電流、時(shí)間、溫度補(bǔ)償?shù)龋ㄟ^(guò)對(duì)時(shí)間和電流進(jìn)行積分，有時(shí)還會(huì)加上某些補(bǔ)償系數(shù)，來(lái)計(jì)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(shí)積分法在電池管理系統(tǒng)中被廣泛使用。安時(shí)積分法的計(jì)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(shí)刻的充放電電流；t為充放電的時(shí)間；η為充放電效率系數(shù)，又被稱作庫(kù)倫效率系數(shù)，代表了充放電過(guò)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(shí)積分法的優(yōu)勢(shì)是受電池自身情況的限制相對(duì)較小，計(jì)算辦法簡(jiǎn)單、可靠，能夠?qū)﹄姵氐暮呻姞顟B(tài)進(jìn)行實(shí)時(shí)的估算。其缺點(diǎn)是由于安時(shí)計(jì)量法在控制中屬于開(kāi)環(huán)的測(cè)試，倘若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(yùn)行時(shí)間的延伸，之前出現(xiàn)的誤差會(huì)逐漸累積，從而影響荷電狀態(tài)的預(yù)測(cè)結(jié)果。并且由于安時(shí)積分法只是從外特性來(lái)分解荷電狀態(tài)，多環(huán)節(jié)存在一定誤差。從安時(shí)積分法計(jì)算公式中可以看出，電池的初始電量對(duì)計(jì)算結(jié)果的準(zhǔn)確性影響較大。

為了能使電流測(cè)量的精度得到提高，通常采用高性能的電流傳感器來(lái)測(cè)量電流，但這樣加大了成本。為此，許多學(xué)者在使用安時(shí)積分法的同時(shí)使用開(kāi)路電壓法，將二者結(jié)合。開(kāi)路電壓法用來(lái)估算電池的初始荷電狀態(tài)，安時(shí)積分法用于實(shí)時(shí)估算，并且在算式中添加相關(guān)修正因子，以提高計(jì)算準(zhǔn)確性。

4卡爾曼濾波法

卡爾曼濾波算法是利用時(shí)域狀態(tài)空間理論的一種最小方差估計(jì)，屬于統(tǒng)計(jì)估計(jì)的領(lǐng)域，宏觀上就是盡可能減小和消除噪聲對(duì)觀測(cè)信號(hào)的影響，其核心是最優(yōu)估計(jì)，即系統(tǒng)的輸入量在預(yù)估基礎(chǔ)上對(duì)狀態(tài)變量進(jìn)行的有效修正。

該算法的基本原理是：將噪聲與信號(hào)的狀態(tài)空間模型作為算法模型，在測(cè)量時(shí)，使用當(dāng)前時(shí)刻的觀測(cè)值與上一時(shí)刻的估計(jì)值，對(duì)狀態(tài)變量的估算進(jìn)行更新。卡爾曼濾波算法對(duì)鋰離子電池荷電狀態(tài)進(jìn)行預(yù)測(cè)的實(shí)質(zhì)是安時(shí)積分法，同時(shí)用測(cè)量的電壓值來(lái)對(duì)初步預(yù)測(cè)得到的值進(jìn)行修正。

卡爾曼濾波法的優(yōu)勢(shì)是適合計(jì)算機(jī)對(duì)數(shù)據(jù)進(jìn)行實(shí)時(shí)運(yùn)算解決，使用范圍廣，可以用于非線性系統(tǒng)，對(duì)行駛過(guò)程中電動(dòng)汽車的荷電狀態(tài)預(yù)測(cè)具有較好的效果。卡爾曼濾波法的缺點(diǎn)是對(duì)電池模型的準(zhǔn)確程度依靠較大，為了提高該算法預(yù)測(cè)結(jié)果的準(zhǔn)確性和精度，要建立可靠的電池模型。此外，卡爾曼濾波法的算法相比較較復(fù)雜，因此其計(jì)算量也相對(duì)較大，對(duì)運(yùn)算器的性能有較高要求。

5神經(jīng)網(wǎng)絡(luò)法

神經(jīng)網(wǎng)絡(luò)的目的是模仿人類的智能行為，通過(guò)并行結(jié)構(gòu)與自身較強(qiáng)的學(xué)習(xí)能力獲得數(shù)據(jù)表達(dá)的能力，能夠在外部激勵(lì)存在時(shí)給出相應(yīng)的輸出應(yīng)和，并使具有良好的非線性映射能力。

神經(jīng)網(wǎng)絡(luò)法使用于鋰離子電池荷電狀態(tài)測(cè)試的原理是：將大量相對(duì)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(guò)神經(jīng)網(wǎng)絡(luò)自身學(xué)習(xí)過(guò)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(jìn)行訓(xùn)練和修改，在預(yù)測(cè)的荷電狀態(tài)達(dá)到設(shè)計(jì)要求的誤差范圍內(nèi)時(shí)，通過(guò)輸入新的數(shù)據(jù)來(lái)得到電池的荷電狀態(tài)預(yù)測(cè)值。

神經(jīng)網(wǎng)絡(luò)法的優(yōu)勢(shì)是可以對(duì)各種電池的荷電狀態(tài)進(jìn)行估算，適用范圍廣；不要建立特定的數(shù)學(xué)模型，不用考慮電池內(nèi)部復(fù)雜的化學(xué)變化過(guò)程，只需選擇適宜的樣本，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(shí)確定電池的荷電狀態(tài)。神經(jīng)網(wǎng)絡(luò)法的缺點(diǎn)是對(duì)硬件要求較高，訓(xùn)練時(shí)所采用的數(shù)據(jù)樣本的準(zhǔn)確性、樣本容量和樣本分布以及訓(xùn)練辦法都會(huì)對(duì)電池的荷電狀態(tài)預(yù)測(cè)出現(xiàn)很大的影響。