为了估算锂离子动力锂离子电池的荷电状态（SOC），在对影响SOC值的因素及传统SOC估算办法分解的基础上，根据实际情况，采用了一种新思路，即将电池的工作状况分为静止、恢复、充放电三种状态，分别对三种状态进行SOC估算。在估算过程中分散并消除影响SOC值的因素，特别在充放电状态下，使用了以库仑效率因子为基础的电量的动态恢复量对安时计量法进行改进，处理了安时计量法会出现累积误差的问题。经试验声明，此办法提高了电池SOC计算的精度，达到了动力汽车的使用要求。
锂离子电池已被广泛使用于工业、日常生活等范畴，对电池荷电状态（SOC）的估算已成为电池管理的紧要环节。但是，由于电池结构复杂，电池的荷电状态受放电电流、电池内部温度、自放电、老化等因素的影响，使得SOC的估算困难。目前SOC估算办法有：开路电压法、安时计量法、内阻法、神经网络和卡尔曼滤波法。国外V.pop等人提出EMF-SOC模型［1-2］，即电池电动势与荷电状态的关系模型来估算SOC，相当于开路电压法，该办法用于电池静置足够长时间后进行估计，不能实时估计；也有人采用安时计量法或卡尔曼滤波法估计SOC，安时计量法由于电流波动较大或测量误差长时间积累导致估计不精确；卡尔曼滤波法则在建立准实在用的电池动态模型上存在很大困难，为此本文依据锂离子电池在使用中的实际情况，采用了一种新思路来估算SOC，即将电池的工作状况分为三种状态，对每种状态的SOC逐一进行估算，在估算过程中消除影响SOC的因素，且使三种状态下SOC的值互为前提，从而提高SOC的估算精度。
1、电池工作状态及SOC估计
电池状态依据实际情况可分为三种状态，这里将其含义为静止、恢复、充放电，它们的关系如图1。
图1电池工作状态图
1.1静止状态
电池的静止状态是指电池工作停止后，完全恢复了的状态，从恢复状态转化而来，可笔直转入充放电状态，此状态下SOC的计算量作为充放电状态下SOC估算的初始值。由于此状态下的特点是电流为零、无极化现象，其SOC值与开路电压有很好的对应关系，因此能用开路电压法笔直估算电池的SOC值，电池的开路电压与SOC值的关系曲线如图2。
图2电池的开路电压与SOC值的关系曲线
在静止状态下，电池容量紧要受自放电现象的影响使得电池电量会随着时间的新增而减少，而用开路电压与SOC值的对应关系来估算SOC，本身就可以消除自放电引起的电量损失的影响，从而能使SOC值更加准确地反映电池的状态。
1.2恢复状态
恢复状态是指电池从放电或充电状态转到静止状态的过渡阶段。一般这个阶段经历的时间为8h（此值为相关相关经验值），此状态下SOC的计算量作为充放电状态下SOC估算的初始值，这时的SOC估算紧要考虑放电或充电结束后电池电量的改变量。从放电或充电状态进入恢复状态后电池电量会随时间新增而有所新增，其变化的原由是在放电或充电过程中电池内部出现极化现象，部分电量没有用于实际的充放电中而是慢慢累积起来，当电池停止工作后极化现象会慢慢消失，累积的电量也会恢复。
恢复阶段SOC的估算：
（a）若从放电状态进入恢复状态
SOCt=SOCd+M×t/（8×Q）×100%
式中：SOCt为恢复状态下的荷电状态值；SOCd为放电状态终止时的荷电状态值；M为在电池放电过程中的累积电量（可以恢复）；t为电池在恢复状态下经历的时间；Q为电池的实际容量。
（b）若从充电状态进入恢复状态
SOCt=SOCc+M×t/（8×Q）×100%
式中：SOCt为恢复状态下的荷电状态值；SOCc为充电状态终止时的荷电状态值；M为在电池充电过程中的累积电量（可以恢复）；t为电池在恢复状态下经历的时间；Q为电池的实际容量。
M值的计算：
（a）放电状态下
若η2>η1，
Mt+Δt=Mt+I2×Δt×（1-η2）/η2-I1×Δt×（η2-η1）/η1×η2（1）
推导如下：
t+Δt时刻，安时计量法计算的电量：I2×Δt；
t+Δt时刻，电池实际放出的电量：I2×Δt/η2；
t+Δt时刻，电池损失电量：I2×Δt×（1-η2）/η2；
t时刻，I1放电时，由于η2>η1，损失电量I1×Δt×（1-η1）/η1较大，在t+Δt时刻就会恢复少许电量，恢复量为：
I1×Δt×（1-η1）/η1-I1×Δt×（1-η2）/η2
即I1×Δt×（η2-η1）/η1×η2
若η1≥η2，t+Δt时刻损失的电量更大，因此就无恢复量I1×Δt×（η2-η1）/η1×η2.
Mt+Δt=Mt+I2×Δt×（1-η2）/η2（2）。
式中：η1、I1为电池在t时刻的放电库仑效率和电流，η2、I2为电池在t+Δt时刻的放电库仑效率和电流。
（b）充电状态下，充电方式一般为恒流恒压方式，因此库仑效率、电流值的变化较放电状态下稳定。
恒流阶段，电流恒定，而电池温度会有所新增：
Mt+Δt=Mt+I×Δt×（1+η1-2η2）
公式推导同（1）。
式中：I为恒流阶段的电流值；η1、η2为恒流阶段的充电库伦效率，η2>η1，它们的差别是由温度引起的。恒压阶段，电流会随电压的升高而降低。
若η2>η1，Mt+Δt=Mt+I2×Δt×（1-η2）-I1×Δt×（η2-η1）公式推导同（1）。
若η1≥η2，Mt+Δt=Mt+I2×Δt×（1-η2）公式推导同（2）。
式中：η1、I1为电池在t时刻的充电库仑效率和电流；η2、I2为电池在t+Δt时刻的充电库仑效率和电流。
在充电情况下，一般用已规定好的电流进行充电，可认为η=1.
1.3.1安时计量法的改进。
此状态下在SOC估算时一般采用安时计量法，即Q=∫IDT，但这种办法由于没有考虑库仑效率，使得计算结果随着时间的积累误差会越来越大。为此，本文对安时计量法进行了改进，在充放电过程SOC估算中新增了库仑效率因子以及以其为基础计算出的动态恢复电量部分，从而提高了安时计量法的准确性。
1.3.2库仑效率η的计算
放电库仑效率含义为电池以特定电流和温度（可以为任意的）进行恒流恒温放电，放完为止，用放出的电量与电池未放电前的电量相比。
充电库仑效率含义为电池在空电量状态下以特定的电流（一般为含义好的）和温度进行充电，充到放电前电量为止，用充入的电量与电池放电前电量相比。
由于内阻及极化现象的存在，电池的充放电过程会有电量的损失，从而造成安时法计算的电量不能完全反映电池充放电真切电量的情况，库仑效率则反映了两者间差别。
传统含义下的库仑效率没有考虑充放电差异、电流大小、运行温度等因素的影响。为了克服传统库仑效率的缺点，本文用神经网络对库仑效率进行估算，因为神经网络具有表示任意非线性关系和学习能力的优势，这样可以得到较为准确的结果。
本文采用自适应模式的神经网络，如图3所示，其结构为输入层两个节点，电流和温度；中间层节点数依据实际情况而定（本文采用19个节点）；一个输出层节点η。采用电流和温度作为输入节点的原由是库仑效率η紧要是受其影响，特别是受电流的影响较大。
图3自适应神经网络模型
用神经网络估算库仑效率η的过程是：（1）通过试验获得相关相关经验数据；（2）用获得的相关相关经验数据对神经网络进行训练；（3）将训练好的神经网络使用于SOC估算中实时估算η。
图4，图5是充放电库仑效率与电流、温度的关系曲线图。图4、5中连线表示从充放电试验中得出的曲线，“+”表示神经网络估算的结果。
图4放电库仑效率与电流、温度的关系曲线图
图5充电库仑效率与电流、温度的关系图
从两图可以看出充放电库仑效率的仿真结果与试验值相符，说明可以用神经网络估算库仑效率η。
最后，锂离子电池随着充放电次数的新增会逐渐老化，其表现是电池的实际容量会减少，对此可以用公式：Q=100×Qch/（SOCsf-SOCsi）对电池的实际容量进行修正。式中：Q表示修正后的实际容量；SOCsf表示充电前在静止状态时的SOC值，SOCsi表示充电后在静止状态时的SOC值；Qch表示在充电状态下充入电池的电量。经过对电池的实际容量的修正将会进一步减少SOC的计算误差，使其更加接近实际值。
1.3.2库仑效率η的计算
放电库仑效率含义为电池以特定电流和温度（可以为任意的）进行恒流恒温放电，放完为止，用放出的电量与电池未放电前的电量相比。
充电库仑效率含义为电池在空电量状态下以特定的电流（一般为含义好的）和温度进行充电，充到放电前电量为止，用充入的电量与电池放电前电量相比。
由于内阻及极化现象的存在，电池的充放电过程会有电量的损失，从而造成安时法计算的电量不能完全反映电池充放电真切电量的情况，库仑效率则反映了两者间差别。
传统含义下的库仑效率没有考虑充放电差异、电流大小、运行温度等因素的影响。为了克服传统库仑效率的缺点，本文用神经网络对库仑效率进行估算，因为神经网络具有表示任意非线性关系和学习能力的优势，这样可以得到较为准确的结果。
本文采用自适应模式的神经网络，如图3所示，其结构为输入层两个节点，电流和温度；中间层节点数依据实际情况而定（本文采用19个节点）；一个输出层节点η。采用电流和温度作为输入节点的原由是库仑效率η紧要是受其影响，特别是受
