纯电动汽车动力锂电池SOC估计策略综述

谢俊淋 吴铭 陈越 武强 何立科 刘成武 吴平 苏庆列

（1. 福建船政交通职业学院汽车学院，福州350007；2. 福建工程学院 福建省汽车电子与电驱动技术重点实验室，福州350118）

主题词：新能源汽车 电池管理系统 电池荷电状态 动力锂电池 SOC估计策略

缩略语

SOC State Of Charge

BMS Battery Management System

SOH State Of Health

SOF State Of Function

SOT State Of Temperature

OCV Open Circuit Voltage

FFRLS Genetic Factor Least Square Method

PNGV The Partnership For A New Generation of Vehicle

RC Remote Control

KF Kalman Filter

EKF Extended Kalman Filter

DEKF Dual Extended Kalman Filter

UKF Unscented Kalman Filter

AUKF Adaptive untraced Kalman Filter

AEKF Adaptive Extended Kalman Filter

UT Unscented Transform

SRUKF Square Root Unscented Kalman Filter

PF Particle Filter

UPF Unscented Particle Filter

EPF Extended Particle Filter

AI Artificial Intelligence

CNN Convolutional Neural Network

LSTM Long-Short Term Memory

RNN Recurrent Neural Network

UT Unscented Transform

BP Back Propagation

GA-BP Genetic Algorithm Back Propagation

SVM Standard support vector machines

LSSVM Least Squares Support Vector Machines

0 前言

随着技术的不断革新，生态保护与汽车形态发展关系日趋紧密，新一轮能源革命将这种关系领至尖峰。在传统燃油汽车向新能源汽车过渡过程中，对于动力电池系统的研究是时代主题，锂电池因低成本，循环寿命长，储能效率和动态响应能力高，成为主流趋势。但是，因动力电池过充、过放，高低温环境因素对电池性能的影响，因电池的自燃和爆炸不稳定因素带来的安全隐患，基于电池管理和性能提升开发要求的电池管理系统（Battery Management System, BMS）逐步踏入开发路径的第一梯级。BMS应通过提供状态指标来满足安全运行和设计寿命要求，主要指标包括荷电状态（State of Charge,SOC），健康状态(State of Health,SOH)，功能状态(State of Function,SOF)和温度状态(State of Temperature,SOT)[1]。其中SOC 作为BMS 中第一权重参数，是其他指标的数据基石，是电池状态评估和储能控制策略的基本依据。SOC准确估算对BMS 极为重要，直接关系到电池充放电控制和电动汽车的优化管理[2-3]。然而，SOC不能直接测量，必须通过测量电流、电压和温度参数，并建立合适的电化学模型或数学模型进行估算。目前，现有的SOC估算方法存在相应的误差，很难实时、准确地估算出SOC在线数值，因此，怎样提高SOC估算精度，减小其误差是当下BMS 研究领域的热点话题。

针对目前动力电池的研究现状，对近几年国内外的动力电池SOC估算方法进行文献综述，以SOC的概念，SOC估算方法的分类，未来发展趋势3个方面作为切入点，综述了SOC的定义，并分类整理了各种估算方法。最后，针对现有方法的不足之处，提出未来的改进方向。

1 动力锂电池SOC估算概念

动力电池作为电动汽车的性能核心部件，其SOC是反映电动汽车行驶里程和行驶性能的重要参数，图1 统计了2010 年至2019 年Web of science 收录的关于锂电池的论文数量，其中SOC相关的研究论文数量上升显著，同时具有绝对性占比。

图1 2010～2019关于锂电池的论文数量

目前，动力电池SOC在国际上还没有一个通用的定义，一般认为SOC是用来反映电池的剩余容量，其数值上定义为剩余容量占电池容量的比值，常用百分数表示。其中美国先进电池联合会将其定义为：动力电池在一定放电倍率下，剩余电量与相同条件下额定容量的比值[1]，如式（1）。

其中，Cr表示动力电池的剩余电量，Cd表示动力电池的额定容量。

在固定温度下，电池充电至不能再吸收能量的状态下，SOC为100%；电池完全放电状态下，SOC为0%。但电池内部复杂的化学反应导致电池外部特性的强非线性和时变特性，增加了SOC估算的难度。文献[4]提出常见的SOC影响因素为环境温度的影响、老化程度的影响、负载运行工况的影响和不一致性的影响等一系列非线性因素。因此，准确的SOC估算仍然是一个具有挑战性的课题。基于不同的分析工况，图2将SOC的估算方法做出以下分类。

如图2所示，常用的SOC估算方法主要包括：安时积分法、开路电压法、自适应滤波算法、模糊神经网络法。自适应滤波算法中以卡尔曼滤波算法为代表，遵循“预测-测量-校正”的科学过程进行估算。考虑到电池通常是一个非线性系统，提出了EKF算法。行业内也提出了利用2个独立的卡尔曼滤波器估算SOC状态和参数的DEKF 算法，这种算法有效简化了计算复杂度[5]。由于存在初始荷电状态不准确、容量偏差和电流传感器误差问题，卡尔曼滤波自适应算法目前是最适合实时在线估算SOC的方法[6]。

图2 SOC估算方法分类

2 SOC估算方法

目前常用的SOC估算方法分为2 类：一类是直接根据电池的电压、电流或内阻进行估算的传统方法，主要为安时积分法、开路电压法和基于电池内阻的估算法[7]；另一类主要包括智能算法，如卡尔曼滤波（KF）法、支持向量机、神经网络法。

2.1 传统方法

2.1.1 安时积分法

安时积分法[8-9]又称为电流积分法，是目前SOC估算中常用的方法之一，定义表达为式（2），其运算方程如下。

其中，SOC0是指初始时刻的SOC 值，i是电池电流，η是库伦效率，Cn是额定容量。

安时积分法能够动态预测SOC，原理简单，稳定可靠，对硬件设备要求较低。但是，因电流传感器的精度不高、采样频率低、信号受外界的影响对实时监测电流产生的误差，经多次积分后放大会降低估算精度，其估算的结果会随时间的增加而累计，导致误差较大。

针对以上缺点，现有学者对安时积分法进行改进。如用开路电压法来精确地采集初始SOC值，再结合安时积分法计算放电容量，提高计算精度[10]。基于电池自身因素如温度、电池老化、充放电倍率对SOC估算的影响，对这些因素进行补偿，如对充放电倍率的补偿只需得出充放电倍率的补偿系数η1，用Peukert方程结合测得的2组电池剩余电量与放电电流求得；而对于温度补偿则用补偿公式（3）。

其中，TB为标准温度，T为环境实时温度。

但开路-安时法只是单一的解决了安时积分法的一个缺点，文献[11]设计了一种通过静态的OCV（开路电压）查表法结合动态的安时积分法对基础参数SOC0和额定容量Cn进行了修正，以及对库伦效率的修正并结合BMS的影响，并且基于对累积电荷量的高精度计算，以及对电流采集精度误差的改进，采用二分查表法修正SOC相关非线性影响因素数据，改进后的安时积分法如图3所示，其精度更高、速度更快、稳定性更好。

文献[12]提出用开路电压法精确测出初始的SOC值，再用安时积分法进行SOC估算，最后用负载电压法测得的实时SOC值对安时积分法的SOC估算进行修正，得到精度较高的SOC值。但是，这种方法整体操作复杂，而且开路电压静置时间过长的缺点仍然没有得到解决。文献[13]考虑到开路电压法，电池静置时间过长的缺点，提出了建立等效模型来估算开路电压，进一步估算初始SOC值来弥补开路电压法的缺点，并且考虑到锂电池的充放电倍率、温度、电池老化以及自放电对SOC的估算带来的影响，采用修正的安时积分法[14]，如式（4）：

式中，α为自放电及老化因素的修正因子，C为额定容量或者叫做总容量，η为库伦效率。

整体改进后的算法流程如图4 所示，这种方法通过改进的开路电压法修正电池的初始SOC值，弥补传统开路电压法的缺点，并对电池的SOC进行实时修正，减少了安时积分法的累积误差。

图4 改进后的算法流程

2.1.2 开路电压法

开路电压法简称OCV，是指把电池长时间静置后，等到电池内部达到完全平衡后，电池的端电压与SOC之间存在着一种准确的对应关系，这种关系较为固定[15]。开路电压法的优点是估算SOC可以取得较好的效果，且操作简单；但它的缺点也比较明显，电池需要经过长时间的静置，而在实际的实验中，达不到这种理想状态，所以这个方法很少用于车辆SOC实时估算。文献[16]阐述了在不同的放电倍率、不同的SOC状态以及不同的电池温度下的电池SOC与OCV的关系和电池静置过程中电池端电压的变化，并进一步提出在电池应用过程中的修正策略。在一般的开路电压模型建模中是利用最小二乘法拟合OCV曲线，这种方法的缺点是建模精度低，OCV的测试点不能全部落在曲线上。文献[17]提出一种新的建模方法来改进开路电压法，利用Hermite 插值法建立OCV模型并拟合曲线，最后验证表明，这种方法比传统的最小二乘法建立的模型具有更高的建模精度，并且在不同的温度下Hermite插值法建立的OCV模型具有可行性。

锂电池充、放电的稳定开路电压基本一致，可以认为充、放电的电压变化一样，利用SOC-OCV的关系，就能计算SOC，该方法预测SOC基本上不受自放电现象的影响，且在初、末期充放电时预测精度很高，但是电池必须要经过长时间静置来稳定电压，不能应用于实际中在线实时估算。

2.1.3 内阻测量法

内阻测量法的基本原理，简单概括为当电池的电量低于额定值的50%，其内阻明显增大，可以推断出内阻与电池的荷电状态存在一定的函数关系，基于这种关系得到SOC与内阻的曲线图，从而对荷电状态进行估算。内阻法利用锂电池等效模型，结合欧姆定律算出开路电压OCV，根据SOC-OCV的非线性关系算出SOC，其锂电池等效模型如图5所示，其中，Uo为电池外电压，Uocv为开路电压，RΩ为直流电阻，UR为直流电压，ZP为极化阻抗，UP为极化阻抗电压。

图5 锂电池等效模型

内阻法与开路电压法相似，但动力电池的内阻数值范围为毫欧级，电池处于正常放电状态时内阻变化范围小，影响估算的准确性。同时当电流过大时间过长时，电池会出现极化内阻从而增大测量误差，影响估算的精度。文献[18]改进了传统内阻法，对SOC和内阻变化量ΔR进行建模，结果表明该经验公式可运用不同型号电池的SOC测量，误差可控制在10%以内。同时内阻法也可结合安时积分法，用于电池放电后期的SOC估算，能够提高计算准确性。但是电阻阻值会随温度的增大而减小，减小到一定程度时保持不变，所以电阻阻值在电池充、放电初期变化大，后期保持稳定，初期可以用内阻法估算SOC，后期就不能精确估算SOC。

2.2 基于电池模型的SOC估算

2.2.1 卡尔曼滤波法

卡尔曼滤波法（Kalman Filter，KF）在20世纪60年代由数学家卡尔曼提出，将状态空间与噪声相结合，整体思想是对动力系统的状态做出最小方差意义上的最优估算。卡尔曼滤波法本质是一种递归算法，根据当前仪器的测量值，前一刻的测量值，以及误差，来计算当前时刻的最优值[19]。对于电池的SOC估算，卡尔曼滤波法将电池看做为一个动力系统，电池荷电状态是系统的一个内部状态。卡尔曼滤波法的特点是把误差（预测误差和测量误差，统称噪声）计算进去，让误差成为一个独立的个体，不受测量数据的影响[20]，所以在电流变化程度较大的混合驱动汽车的SOC估算上能够得到很好的应用。

卡尔曼滤波法的缺点是需要设置初始的SOC值，估算精度对电池模型的准确性依赖较大，温度影响电池内部电化学反应，电池容量发生改变，无法确定随温度变化的电量部分，影响SOC估算，很难建立随温度变化准确的电池模型，并且卡尔曼滤波法运算量比较庞大，是一种递推的线性算法，而电池是一个复杂的非线性系统。虽然卡尔曼滤波法良好的迭代性使其对初始的SOC值的精度要求不高，通过经验选取合适的SOC初值并迭代下去可以取得较好的估算效果，在很大程度上克服了安时积分法对初始的SOC值精度要求较高的缺点。但是，随着电池老化、电池使用环境，温度的改变等，其模型的适应性也必然发生变化。基于卡尔曼滤波法的一些不足之处，现在大量的学者对于卡尔曼滤波法进行了改进，下面对常见的改进方法进行介绍。

（1）扩展卡尔曼滤波法

卡尔曼滤波法的一大缺点是不能用来计算非线性的系统，所以在2004 年Plett G.L.[21-22]提出了使用扩展卡尔曼滤波法（Extended Kalman Filter, EKF）进行SOC估算。其思想是对非线性的系统进行Taylor级数展开，用其一阶量对非线性系统进行近似，然后采用卡尔曼滤波的估算、测量、修正方法继续推出后续的SOC估算。EKF 虽说改进了KF 只能用在线性系统的缺点，但是它忽略了高阶项，误差较大的缺点。文献[23]介绍了一种基于一阶Thevenin电池模型仿真实验，并利用最小二乘法和EKF算法给模型进行参数辨识，提高其精度，最后实验表明EKF算法比安时积分法有更好的鲁棒性和收敛性。

（2）双卡尔曼滤波

双卡尔曼滤波算法（简称DEKF）是将安时积分法和EKF算法进行结合的一种算法[24]，其思想就是构建一个二级卡尔曼来消除系统和模型内部的噪声，原理如下图6。

从图6可以看出双卡尔曼滤波算法过程在某种程度上是对AH_SOC和EKF_SOC的卡尔曼加权处理。由此可知DEK算法在精度上得到了很大的提升，可以极好的滤除系统和模型噪声，但是这也加大了计算量，计算时间也变长了。

图6 双卡尔曼滤波算法原理

（3）无迹卡尔曼滤波法

无迹卡尔曼滤波法(Unscented Kalman Filter,UKF)就是把无损变化和卡尔曼滤波进行结合，将卡尔曼滤波法扩张到非线性系统使用，不同于EKF算法使用泰勒级数展开，而是在采样点处进行2次无损变换得到Sigma 点集，然后对Sigma 点集进行非线性映射，近似得到状态概率密度函数，并建立循环迭代关系[25]。UKF 有效地避免了线性系统带来的计算误差，相对于扩展卡尔曼滤波算法，UKF 使用无际变换（Unscented Transform，UT），既减小了误差又减小了计算量，但是，UKF 在更新过程中可能会出现协方差矩阵是非负定的问题。

（4）自适应卡尔曼滤波法

卡尔曼滤波法和扩展卡尔曼滤波法在进行SOC估算时，通常将噪声假设为零均值白噪声，并且噪声的方差已知。在噪声已知的情况下，这2种方法的效果很好，但在实际情况中，大多情况下的噪声是不确定的，这对于卡尔曼滤波法和扩展卡尔曼滤波法来说，会影响他们的估算效果，可能会引起发散。自适应卡尔曼滤波法是将测量数据和卡尔曼滤波法进行结合，由测量数据实时估算系统状态，不断估算并修正噪声，进而达到更好的估算效果。文献[26]通过改进的PNGV 模型采用自适应卡尔曼滤波法在线估算噪声，证明了采用自适应卡尔曼滤波法的SOC估算精度要高于扩展卡尔曼滤波法，并对噪声的干扰进行了有效地控制。

卡尔曼滤波法运算量大，对电池等效模型准确度依赖很高，温度变化对电池电量影响很大，要求系统对温度变化引起电量改变有很强处理能力，但卡尔曼滤波法（KF）抗干扰能力强，适用于复杂环境下电动汽车SOC的估算，SOC的初值准确度较高，且累计误差很小[27]。为简化卡尔曼滤波算法的运算量和动态反应温度对电池电量的影响，电池等效模型大多采用Thevenin 一阶RC 模型[28]或二阶RC 等效电路模型[29-31]。其模型如图7、8所示。

图7 Thevenin一阶RC等效电路模型

图8 Thevenin二阶RC等效电路模型

卡尔曼滤波广泛应用于线性系统中，但要基于噪声零均值条件假设；而扩展卡尔曼滤波（EKF）推广到非线性系统中，基于噪声不变的假设[28-32]。文献[29]引入新息协方差自适应估计方法，来改进自适应卡尔曼滤波，解决噪声与系统不匹配的问题的自适应扩展卡尔曼滤波（AEKF）算法。自适应扩展卡尔曼滤波基于二阶RC 等效电路模型和最小二乘法拟合原理，用遗忘因子递推在线辨识参数以满足模型精度的要求，完成对锂离子电池SOC的准确估算。文献[30]对于噪声影响扩展卡尔曼滤波估算SOC 精度问题，提出改进EKF 算法，基于二阶RC 等效电路模型准确反应温度改变的电量，结合安时积分法原理建立系统状态空间方程，运用Cauchy鲁棒函数来实时矫正EKF预测的状态噪声协方差矩阵Q，动态调整SOC 区间内观测噪声协方差矩阵R，使算法具有更强的鲁棒性，降低SOC估算的误差。文献[31]针对扩展卡尔曼滤波在雅可比矩阵的推导和线性化精度方面存在不足，提出了基于变参数模型的平方根无迹卡尔曼滤波方法估算SOC，该方法基于二阶RC等效电路模型准确反应温度改变电量，运用多项式拟合OCV-SOC曲线关系，不需要对非线性模型进行线性化，用矩阵简化卡尔曼滤波复杂而量大的运算，再用平方根特性改善了状态协方差的数值性质和变参数模型，减小因固定参数模型无法反映不同电量下参数变化造成的误差。

文献[28]和[32]采用的是一阶RC 等效电路模型，文献[28]是运用遗传因子最小二乘法（FFRLS）对模型进行参数辨识，然后自适应扩展卡尔曼滤波（AEKF）对SOC进行在线估算，提供准确的开路电压给模型参数辨识联合算法。而文献[32]是遗传因子最小二乘法与H无穷滤波的联合算法，针对H无穷滤波算法不需假设噪声而收敛慢特性，提出利用估算残差序列信息改进的H 无穷滤波的算法，该算法收敛速度快，降低SOC估算误差。

2.2.2 粒子滤波法

常见的自适应滤波器适用于线性系统和高斯条件，但针对非线性和非高斯系统，提出了粒子滤波法（PF）。粒子滤波法，基于贝叶斯估算思想，引出蒙特卡洛方法(Monte Carlo methods)，是通过寻找一组在状态空间传播的随机样本对概率密度函数进行近似，以样本均值代替积分运算，从而获得状态最小方差分布的过程。它的显著特点是不需要对状态变量的概念密度作过多的约束，因此近年来也逐渐将粒子滤波法应用与电动汽车动力电池SOC 的估算。但粒子滤波存在退化问题，使粒子集无法表示实际后验概率分布，导致SOC估算精度降低。为了准确预测纯电动汽车的荷电状态值，抑制粒子权重退化，对该估算方法做出了多方面的改进。文献[33]提出了一种基于智能优化的粒子滤波算法，探索采用了人工免疫粒子滤波器(AIPF)，增加粒子的多样性。试验结果表明，该方法的绝对误差控制在2%以内，平均相对误差控制在2%以内，估算更准确，估算精度更高。为了兼顾计算量和精度，引入了基于Kullback-Leibler距离采样的自适应粒子滤波[33]。文献[34]以UKF为建议密度函数进行重采样的UPF 方法平均估算误差为0.71%，低于以EKF 为建议密度函数的EPF 方法平均误差(1.09%)，2种方法的估算误差均小于PF 估算误差(1.36%)，有效抑制了粒子权重退化。

2.3 数据驱动优化

数据驱动优化估算法不需要基于电池模型来进行估算，常见的估算方法有如神经网络，模糊逻辑，支持向量机，遗传算法和基于粒子群优化等方法。

2.3.1 神经网络

近年来，人工智能（AI）方法也被应用于电池SOC的估算中，其中以神经网络法为主流代表。神经网络法是模拟人脑及神经元来处理非线性系统的新型算法，无需深入研究电池的内部结构，只需提前从电池中提取出符合工作特性的输入与输出样本，并将其输入到建立系统中，就能获得运行中的SOC值。这种算法具有强大的变量处理能力和自主学习能力，能够提供实时的SOC监测。该方法后期处理相对简单，既能有效避免卡尔曼滤波中需要电池模型作线性化处理后带来的误差，又能实时地获取电池的动态参数。但神经网络法需要大样本数据，样本对训练结果有重大影响，需要筛选合适样本，取样工作量大，且学习时间较长。

神经网络是机械学习方法，预测电池SOC非常简便，对历史数据进行训练就可挖掘出电池参数与SOC之间的关系，但是需要有准确的SOC值当作模型训练标签，且精度高度地依赖于大量训练的数据样本，当使用条件变化时需及时调整模型参数。传统神经网络训练速度慢，且记忆性差，容易陷入局部小点，而循环神经网络能将前一个神经元的记忆传给下一个神经元，循环神经网络训练模型[35]（图9）。

图9 循环神经网络模型及展开模型

文献[35]使用长短期记忆的循环神经网络建立SOC 预测模型，其训练快，记忆性好，以电池电流、电压、温度作为模型输入数据样本来对神经网络训练。文献[36]采用一维卷积神经网络(Convolutional Neural Network, CNN)与长短期记忆(Long-Short Term Memory，LSTM)循 环 神 经 网 络(Recurrent Neural Network,RNN)的1D CNN-LSTM 联合算法，过训练模型来调节模型的权重系数和偏置参数，确定最优的模型设置，来提高SOC估算精度。文献[37]采取自适应无迹卡尔曼滤波（AUKF）与PB神经网络联合的算法，该算法能很好地避免UKF算法依赖精确的电池模型和BP神经网络收敛速度慢的缺点，又能保留UKF算法鲁棒性高和BP 神经网络非线性特性强的优点。文献[38]采用模糊规则优化算法应用于T-S 模型的模糊神经网络中，统一把循环次数与循环之间的静置时间、电压、电流、温度作为影响SOC估算精度的因子，来达到对神经网络的结构进行优化，加快神经网络的收敛速度。

目前，利用神经网络进行荷电状态估算还停留在仿真阶段，但根据数值结果和计算过程，神经网络也在不断的演化升级。如利用MATLAB 人工神经网络工具箱和谢菲尔德遗传算法工具箱共同建立GA-BP神经网络模型，用于预测锂离子电池在任一状态下的SOC。经仿真实验表明，与经典的BP神经网络预测方法相比，基于改进型GA-BP 神经网络的锂离子电池荷电状态估算精度有效提高了，且具备良好的收敛性。为了更好的利用神经网络算法的优越性，将BP神经网络与自适应卡尔曼滤波相结合，例如基于自适应无迹卡尔曼滤波（AUKF）和BP 神经网络相结合的电池SOC估算方法[39]。该方法通过采样策略自适应性提高了UKF 的估算精度，并利用训练好的BP 神经网络SOC输出值作为UKF的观测量，既避免了神经网络收敛速度慢的缺点，又保留了高鲁棒性和强非线性特性的优点。可以实现在不同温度下的AUKF-BP（图10）算法的平均均值误差为0.82%，BP算法的平均均值误差为1.63%，基于AUKF-BP的SOC估算方法具有更高的鲁棒性和准确性[40]。2.3.2 支持向量机

图10 基于AUKF-BP网络的SOC估算方法[37]

最小二乘支持向量机（LSSVM）将标准型支持向量机(SVM)中的不等式约的束条件变成等式的约束条件，对锂离子电池SOC估算时拥有很强的非线性逼近能力、收敛速度快，并且在最终获取的是全局最优解。但是，最小二乘支持向量机的参数选择会很大程度影响其预测结果。文献[41]提出基于分布估算与最小二乘支持向量机联合的锂电池SOC预测方法，该方法是运用LSSVM建立一个非线性系统模型，电池的电压、电流、温度为输入变量，SOC为输出结果，然后利用分布估算算法对模型正则化参数λ 和径向基核宽度μ进行优化，从而使模型最优，提高SOC估算精度。

3 结束语

对于传统方法来说，开路电压法的精度最高，但需要动力电池进行长时间静置的缺点，导致它难以在实际实验中应用。安时积分法简单可靠，对设备要求也较低，因此得到了广泛的应用，但是它也有不足之处，对结果的影响很大。因此，很多学者提出用其他各种方法结合安时积分法进行SOC估算。相对于传统方法，卡尔曼滤波法有着他强大的优势，既有抗干扰能力强的特点，又克服了安时积分法需要精准初始值的缺点。但其不能用于非线性系统的缺点也限制了其估算精度，因此就有了多种关于卡尔曼滤波改进的方法。本文介绍了4种基于卡波改进的方法。本文介绍了4种基于卡尔曼滤波法的改进方法，其中双卡尔曼滤波法和自适应卡尔曼滤波法有点突出估算精度都比较高；扩展卡尔曼滤波法和无迹卡尔曼滤波法都可以很好运用在非线性系统中，但扩展卡尔曼滤波法适用于噪声已知的情况下，而自适应卡尔曼滤波法适用于噪声未知的情况下。粒子滤波法不受系统模型的线性和高斯条件的限制，并且对状态概率密度的描述是以样本的形式而不是函数的形式。神经网络和支持向量机都是学习机器，都有较强的学习能力和较高的精度。神经网络是基于已有的数据，已有数据越多，估算精度越高，但支持向量机有很好的泛化能力，有很强的非线性逼近能力，可以有效避免神经网络的缺点。根据上述所提的各种SOC估算方法，表1整理总结了各种方法的优缺点。

表1 各种SOC估算策略的综合对比

4 未来研究发展趋势

锂电池作为电动汽车的动力能源，电池被寄托于更长久的寿命和更远的行驶里程，电池SOC 的精确估算将是一个突破口，SOC的估算将追求简便、精度高的智能算法。近3 年SOC的研究趋势，主要由6个主题组成：鲁棒设计、在线参数识别[42]、自适应滤波算法的开发[43]、数据驱动优化、动态调节[44]和硬件在环。研究趋势表明，未来准确估算SOC的研究趋向于以下特征：

（1）电流传感器和模型误差下的鲁棒设计；

（2）低耗时、精准提取电池模型参数；

（3）高精度、少复杂的自适应滤波算法；

（4）考虑串联和并联电池的差异化设计；

（5）脱离模型/公式的估算；

（6）低成本的同时缩短开发周期。

现阶段自适应滤波器和数据驱动优化方法还停留在仿真节点，未全面上升到实际测验当中。现有的估算方法多以复合估算为主导，如开路-安时积分法，卡尔曼与神经网络的结合，卡尔曼与开路电压的结合等。

若以大数据为立足点，不基于电池模型的SOC估算方法还有许多的可能性等待探索，未来在这一方面的研究还有待进一步深入。