荷电状态（SOC）的准确估计是电池管理系统的重要功能之一。当前，基于模型的方法是实现锂离子电池SOC估计最常用的解决方案。相比于等效电路模型（ECM），由于电化学模型（EM）能够实现耦合电化学机理的SOC估计，逐渐成为下一代高级电池管理系统的研究重点。然而，现有基于模型的锂离子电池SOC估计方法的研究大多集中在等效电路模型上，很少对电化学模型进行系统讨论。

为此，西安理工大学机械与精密仪器工程学院的研究人员武龙星、庞辉、晋佳敏、耿院飞、刘凯，在年第7期《电工技术学报》上撰文，针对基于电化学模型的SOC估计方法进行了全面综述。首先，概述了电化学模型的建模及参数识别方法；然后，对基于电化学模型的SOC估计方法进行了讨论；最后，针对目前基于电化学模型的SOC估计存在的挑战和未来发展趋势进行了讨论。该文提出的观点有望促进现有基于电化学模型的高级电池管理系统算法的开发和应用。

为了达成“碳达峰、碳中和”目标，电池储能系统在可再生能源发电、智能电网技术和电动汽车方面得到了迅速发展。同时，为了提高能源效率和减少对化石燃料的依赖，整个电动汽车行业正在努力寻求实现全球运输电气化的解决方案。锂离子电池作为推动交通电气化的电池储能系统之一，由于其高能量密度、长周期寿命和低自放电率等优点，已成为电动汽车中最广泛使用的储能部件。

然而，在复杂的运行工况中，锂离子电池也面临着老化、热失控、机械滥用等一系列问题，这给其在电动汽车上的广泛使用带来极大挑战。因此，十分有必要建立高级电池管理系统（BMS）对电池内部电化学状态进行实时监控，以确保锂离子电池在整个生命周期内能够安全可靠的运行。

荷电状态（StateofCharge,SOC）作为电池剩余电量的直接表征，能够促使BMS较为准确地确定瞬时峰值功率和健康状态（StateofHealth,SOH），以便及时确保电池在安全范围内运行。因此，准确的SOC估计在电动汽车BMS中起着关键性作用，成为广大学者研究的重点。

迄今为止，国内外学者已对有关车用动力电池SOC的估计方法进行了大量报道。根据现有文献可知，常用SOC估计方法主要分为安时积分法、开路电压法、基于模型法和数据驱动法。其中，安时积分法依赖于准确的初始SOC值和高精度电流传感器，开路电压法则需要长时间的搁置以获取准确的SOC估计，这使得二者都不适用于在线应用。

同时，随着人工智能技术的发展，数据驱动的方法在电池SOC估计中得到了广泛