電池荷電狀態（SOC）估計是BMS的關鍵和核心，它是多項控制策略都準確制定的前提。進行整車能量管理時，實現動力電池的SOC準確估計，能夠避免對動力電池造成損害、合理利用動力電池提供的電能、提高電池的利用率、延長電池組的使用壽命。SOC估計有其特殊性，溫度不同、倍率不同、SOC點不同，充放電效率也不同；電池放電倍率越大，放出電量越少；電池工作的溫度過高或過低，可用容量降低；由于有老化和自放電因素的存在，SOC值需要不斷修正。

常見的電池SOC估計方法有放電試驗法、實際算法、開路電壓法、負載電壓法、內阻法、線性模型法、神經網絡法、卡爾曼濾波法等。

（1）放電試驗法

放電試驗法是最可靠的SOC估計方法，采用恒定電流進行連續放電，放電電流與時間的乘積即為剩余電量。放電試驗法在試驗室中經常使用，適用于所有電池。但它有兩個顯著缺點：一是需要大量時間；二是電池進行的工作要被迫中斷。放電試驗法不適合行駛中的電動汽車，可用于電動汽車電池的檢修。

（2）實際算法

實際算法是最常用的SOC估計方法。如果充放電起始狀態為SOC0，那么當前狀態的SOC為

式中，CN為額定容量；Ι為電池電流；η為充放電效率，不是常數。

實際算法應用中的問題：如果電流測量不準，則會造成SOC計算誤差，長期積累，誤差越來越大；要考慮電池充放電效率；在高溫狀態和電流波動劇烈的情況下誤差較大。電流測量可通過使用高性能電流傳感器解決，但成本增加。解決電池充放電效率要通過事前大量試驗，建立電池充放電效率經驗公式。實際算法可用于所有電動汽車電池，若電流測量準確，有足夠的估計起始狀態的數據，則它就是一種簡單、可靠的SOC估算方法。

（3）開路電壓法

電池的開路電壓在數值上接近電池電動勢。電池電動勢是電解液密度的函數，電解液密度隨電池放電成比例降低，用開路電壓可估計SOC。鎳氫電池和鋰離子電池的開路電壓與SOC關系的線性度不如鉛酸動力電池好，但根據其對應關系也可以估計SOC，尤其在充電初期和末期效果較好。

開路電壓法的顯著缺點是需要電池長時間靜置，以達到電壓穩定。電池狀態從工作恢復到穩定，需要幾個小時甚至十幾個小時，這給測量造成困難；靜置時間如何確定也是一個問題，因此該方法單獨使用只適于電動汽車駐車狀態。開路電壓法在充電初期和末期SOC估計效果好，常與安時計量法結合使用。

（4）負載電壓法

電池放電開始瞬間，電壓迅速從開路電壓狀態進入負載電壓狀態，在電池負載電流保持不變時，負載電壓隨SOC變化的規律與開路電壓隨SOC的變化規律相似。

（5）內阻法

電池內阻有交流內阻（常稱交流阻抗）和直流內阻之分，它們都與SOC有密切關系。電池交流阻抗是電池電壓與電流之間的傳遞函數，是一個復數變量，表示電池對交流電的反抗能力，要用交流阻抗儀來測量。電池交流阻抗受溫度影響大，是在電池處于靜置后的開路狀態還是在電池充放電過程中進行交流阻抗測量，存在爭議，因此很少用于實車上。直流內阻表示電池對直流電的反抗能力，等于在一段很短的時間段內，電池電壓變化量與電流變化量的比值。在實際測量中，將電池從開路狀態開始恒流充電或放電，相同時間內負載電壓和開路電壓的差值除以電流值就是直流內阻。鉛酸動力電池在放電后期，直流內阻明顯增大，可用來估計電池SOC；鎳氫電池和鋰離子電池直流內阻變化規律與鉛酸動力電池不同，應用較少。直流內阻的大小受計算時間段影響，若時間段小于10ms，則只有內阻能夠檢測到；若時間段較長，則內阻將變得復雜。準確測量單體電池內阻比較困難，這是直流內阻法的缺點。內阻法適用于放電后期電池SOC的估計，可與安時計量法組合使用。

（6）神經網絡法

估計電池SOC常采用三層典型神經網絡率：輸入、輸出層神經元個數由實際問題的需要來確定，一般為線性函數。中間層神經元個數取決于問題的復雜程度及分析精度。估計電池SOC，常用的輸入變量有電壓、電流、累積放出電量、溫度、內阻、環境溫度等。神經網絡輸入變量的選擇是否合適，變量數量是否恰當，直接影響模型的準確性和計算量。神經網絡法適用于各種電池，缺點是需要大量的參考數據進行訓練，估計誤差受訓練數據和訓練方法的影響很大。

（7）卡爾曼濾波法

卡爾曼濾波理論的核心思想，是對動力系統的狀態做出最小方差意義上的最優估計。應用于電池估計SOC，電池被看成動力系統，SOC是系統的一個內部狀態。估計SOC算法的核心，是一套包括SOC估計值和反映估計誤差的、協方差矩陣的遞歸方程，協方差矩陣用來給出估計誤差范圍。該方法適用于各種電池，與其他適合于電流波動比較劇烈的混合動力汽車電池SOC的估計相比，它不僅給出了SOC估計值，還給出了SOC的估計誤差。

各種電池SOC估算方法各有其優缺點和適用場合：對于恒定小電流或者電流緩變的情況，除開路電壓法、負載電壓法、放電試驗法外，其他各種估算方法都具有很好的適應性，同時其估算的精度也滿足要求；對于大電流或者電流波動劇烈的場合，卡爾曼濾波法和神經網絡法具有較好的適應性，其余估算方法均出現不同程度的不適應性。雖然卡爾曼濾波法和神經網絡法能夠適應該場合，但是由于能力要求高，實現起來具有較高難度。這些缺點使得這兩種方法在實際的應用中受到限制。