摘要
动力电池的荷电状态（SOC）是新能源汽车电池管理系统（BMS）最核心的参数之一。SOC估算的准确性直接影响整车的续航、安全与经济性。目前，安时积分法（Coulomb Counting）和功率积分法（能量积分法）是最常用的两类SOC估算方法。本文系统梳理了两种方法的原理、数学模型、在实际行车及仿真工况下的差异来源，重点分析了内阻损耗与充放电效率对SOC估算的影响及其修正方法，并结合工程实践与最新研究提出了优化建议。文章内容结合了知网等数据库的最新文献与国际主流期刊观点，对于新能源汽车动力电池SOC估算理论与实际应用有重要参考价值。
1. 引言
随着新能源汽车产业的快速发展，动力电池的管理与健康状态监控成为行业关注的焦点。SOC（State of Charge）作为衡量电池剩余可用能量的关键参数，是BMS系统决策的基础。准确的SOC估算不仅关乎车辆续航预测，还直接影响电池的安全保护、能量回收与寿命管理。
目前，安时积分法与功率积分法是最常用的两种SOC估算方法。两者在实际应用中，尤其在复杂工况下，经常出现估算结果的系统性偏差。深入理解其机理与影响因素，是提升SOC估算精度的关键。
2. SOC估算的基本原理与数学模型
2.1 安时积分法（Coulomb Counting）
安时积分法以电池流入/流出的电流为基础，按时间积分得到电荷变化量，推算SOC。其基本公式为：
SOC(t) = SOC_0 - \frac{1}{Q_{max}} \int_{t_0}^{t} I_{batt}(t) dt
其中，$SOC_0$为初始SOC，$Q_{max}$为电池标称容量，$I_{batt}(t)$为瞬时电流（放电为正，充电为负）。
2.2 功率积分法（能量积分法）
功率积分法以电池端口功率为基础，积分能量变化量推算SOC。其基本公式为：
SOC(t) = SOC_0 - \frac{1}{E_{max}} \int_{t_0}^{t} P_{batt}(t) dt
其中，$E_{max}$为电池可用能量，$P_{batt}(t) = U_{batt}(t) \cdot I_{batt}(t)$为瞬时输出功率。
3. 安时积分法与功率积分法SOC差异的物理本质
3.1 电池端电压的动态变化
在实际放电过程中，电池端电压$U_{batt}(t)$并非恒定，而是随SOC下降、负载变化、温度波动等动态变化。功率积分法直接受端电压影响，而安时积分法只关注电流。这导致在高SOC（高电压）与低SOC（低电压）阶段，同样1Ah电荷释放的能量不同。
3.2 能量与电荷的不可等价性
安时积分法计算的是“电荷”消耗，而功率积分法计算的是“能量”消耗。由于电池在放电过程中端电压下降，同样1Ah的电荷在高SOC时释放的能量高于低SOC时释放的能量。因此，两种方法在SOC估算上会出现系统性差异。
3.3 内阻损耗与效率因素
电池存在内阻$R_{int}$，在充放电过程中会有一部分能量以热损耗的形式消耗。BMS测量的端口功率（$P = U \cdot I$）包含了内阻损耗部分。实际输出到外部负载的有效能量小于端口输出功率；同理，回馈充电时存储的能量小于流入端口的能量。
3.4 仿真与实际行车工况下的差异
在恒功率放电条件下，随着SOC下降，端电压下降，为维持恒定功率，电流会增大（$I = P/U$），导致单位时间内安时消耗加快，但每单位安时释放的能量减少。这进一步加剧了两种方法的SOC估算差异。
4. 回馈充电（再生制动）与双向能量流下的SOC估算
新能源汽车实际行车过程中，普遍存在能量回馈（如再生制动）现象，电池既有放电也有充电。此时，功率积分法与安时积分法的差异更加复杂：
- 再生制动时，BMS测量的回馈功率同样包含内阻损耗，实际存储能量小于端口流入能量。
- 由于能量回收效率低于100%，安时积分法未考虑这些损耗，会高估SOC提升幅度；功率积分法则天然反映了能量损耗，SOC提升幅度更低。
- 长周期看，功率法SOC更接近实际可用能量，安时法则有高估风险。
5. OCV与端电压的区别及其对SOC估算的影响
OCV（开路电压）是电池静置、无电流流动时的两端电压，反映电池热力学平衡电势。端电压是实际工作状态下的两端电压，受到内阻和极化等影响。两者差值主要由$I \cdot R_{int}$引起。OCV-SOC关系曲线常用于SOC校准与误差修正。
6. 安时积分法高估SOC的机理
安时积分法只统计电流积分，未区分流经电池的电荷中有多少能量在内阻等环节损失为热量。实际可用能量小于理论累计电荷量。尤其在高倍率、老化、温度极端等工况下，能量损耗显著，安时法会高估SOC，即显示的剩余容量大于实际可用能量。
7. 效率损耗与SOC修正方法
7.1 效率修正因子
在SOC积分公式中引入效率修正因子（$\eta$），将充放电电流或功率乘以相应的效率参数：
SOC(t) = SOC_0 - \frac{1}{Q_{max}} \int \eta \cdot I_{batt}(t) dt
或
SOC(t) = SOC_0 - \frac{1}{E_{max}} \int \eta \cdot P_{batt}(t) dt
$\eta$可根据实验测定或模型动态调整。
7.2 等效电路模型与扩展状态观测器
采用等效电路模型（ECM）或扩展状态观测器（ESO）、卡尔曼滤波等算法，将内阻作为状态变量与SOC联合估算，提高SOC精度。
7.3 OCV校准与容量学习
结合开路电压（OCV）校准与容量学习机制，定期对SOC进行再校准，减少长期累计误差。
8. 工程实践与未来发展方向
实际工程中，建议以安时积分法为主，周期性利用OCV法、模型修正法等校准SOC，提升估算精度。未来，基于大数据与AI的SOC估算方法（如神经网络、深度学习等）有望进一步提升复杂工况下的SOC准确性。
9. 结论
安时积分法与功率积分法在SOC估算中各有优缺点。两者差异根本在于电池放电过程中端电压的动态变化、能量与电荷的不可等价性、内阻损耗与效率因素，以及模型参数和传感器误差等多重因素的叠加。工程实践中，应结合多种方法并引入效率修正与模型校准，实现更为准确、可靠的SOC估算。
参考文献
1. 王子健, 陈永强, 等. 新能源汽车动力电池SOC估算方法综述[J]. 汽车工程, 2018, 40(7): 833-841. [CNKI]
2. 李志, 吕良刚, 欧阳明高. 基于安时积分法的动力电池SOC估算精度提升方法对比[J]. 清华大学学报, 2010, 8: 2193-2196. [CNKI]
3. 罗勇, 齐鹏, 黄辉, 等. 基于容量修正的安时积分法电池SOC估算[J]. 汽车工程, 2020, 42(6): 681-687. [CNKI]
4. 刘翔, 刘建国, 赵国忠. 基于扩展卡尔曼滤波的锂离子电池SOC与内阻联合估算[J]. 电源技术, 2019, 43(5): 1000-1005. [CNKI]
5. 张鹏, 李明, 徐志刚. 电池管理系统中SOC估算关键技术综述[J]. 电池, 2021, 51(1): 1-7. [CNKI]
6. 陈凯, 王建国. 电动汽车锂离子动力电池SOC估算技术研究综述[J]. 电机与控制学报, 2017, 21(10): 1-12. [CNKI]
7. Zhou, Y., & Wang, Y. (2020). Combined internal resistance and state-of-charge estimation of lithium-ion battery based on extended state observer. Renewable and Sustainable Energy Reviews, 134, 110266. [ScienceDirect]
8. Monolithic Power Systems. Determining Accurate State-of-Charge with the MPF4279x Series (Part II). [Online] http://www.monolithicpower.com/learning/resources/determining-accurate-state-of-charge-with-the-mpf4279x-series-part-ii
9. Zitara. Accurate Battery State of Charge Readings. [Online] https://www.zitara.com/resources/algorithm-accuracy-is-essential-part-1
10. Accure. Guide to Accurate Battery SOC Estimation and Its Impact. [Online] https://www.accure.net/blogs/battery-soc-estimation-errors
