4. 常用SOC计算方法分类

船舶电池管理系统（BMS）中，荷电状态SOC表示当前剩余电量占额定容量的比例，通常以0%～100%表示。SOC本身不可直接测量，只能通过电流、电压、温度等可测信号间接估算。不同的估算方法在精度、成本、实时性、抗干扰能力和实现难度上差异明显。本节围绕工程中最常用的四类方法展开：安时积分法、开路电压法、卡尔曼滤波法和机器学习法，重点说明各自的原理、适用条件与局限，并给出选型对比。

一、安时积分法：最基础的累计式估算

安时积分法（Coulomb Counting）依据电荷守恒：SOC的变化量等于流入或流出电池的电荷量与额定容量之比。设额定容量为 C_N（Ah），充放电电流为 I（规定放电为正、充电为负），库仑效率为 η，则离散化递推式为：

SOC(k) = SOC(k-1) - η · I(k) · Δt / C_N

例如某船舶储能电池额定容量 C_N = 200 Ah，采样周期 Δt = 1 s，某周期测得放电电流 100 A，库仑效率取 1.0，则该周期SOC减少 100×1/3600/200 ≈ 0.0139%，即约0.014个百分点。若持续以100 A放电，理论上2小时放完200 Ah，SOC从100%降至0%。

该方法实现简单、实时性好、计算量小，是几乎所有BMS的基础算法。但它有两个致命弱点：一是初值依赖，必须知道准确的初始SOC，否则误差会一直保留；二是误差累积，电流传感器的零点漂移、采样误差、库仑效率随温度和倍率变化等因素会随时间不断累积。工程上常配合定期校准（如静置后开路电压修正、满充/满放校准）来抑制漂移。

二、开路电压法：利用稳态电压反查SOC

电池在长时间静置、内部电化学状态趋于平衡后，其开路电压（OCV）与SOC之间存在较稳定的单调对应关系，即OCV-SOC曲线。通过测量静置后的端电压，查表或拟合曲线即可反推SOC。例如某磷酸铁锂电池在25℃下静置2小时后，测得OCV为3.30 V，对照OCV-SOC表可得SOC约为60%。

开路电压法精度较高、无需历史数据、不存在累积误差，适合作为校准手段。但其限制同样明显：必须静置，船舶航行中电池持续充放电，端电压受极化影响偏离OCV；平台区敏感，磷酸铁锂等材料在中间SOC区间OCV曲线平坦，微小电压误差会导致较大SOC偏差；温度与老化影响，OCV-SOC关系随温度和健康状态变化，需要修正。因此它很少单独用于在线估算，更多作为安时积分法的校准基准。

三、卡尔曼滤波法：基于模型的闭环最优估计

卡尔曼滤波法把SOC视为系统状态量，建立电池等效电路模型（如一阶RC模型），以电流为输入、端电压为观测，通过“预测—修正”的闭环递推抑制噪声和初值误差。其核心是状态方程与观测方程：

状态方程：x(k) = A·x(k-1) + B·I(k-1) + w(k-1)
观测方程：y(k) = h(x(k)) + v(k)

其中状态量通常包含SOC和极化电压，w、v分别为过程噪声和观测噪声。扩展卡尔曼滤波（EKF）通过对非线性OCV函数线性化处理，是无迹卡尔曼滤波（UKF）之外最常用的工程实现。卡尔曼滤波能在线修正初值误差、对测量噪声有较好抑制，精度通常优于单独使用安时积分法。代价是需要准确的电池模型参数（内阻、极化电容电阻、OCV曲线），模型失配或参数随老化漂移时精度会下降，且计算量明显大于安时积分法，对BMS主控算力有一定要求。

四、机器学习法：数据驱动的非线性映射

机器学习法不依赖精确的物理模型，而是用大量实验或运行数据训练模型，学习电压、电流、温度、内阻等特征与SOC之间的映射关系。常用方法包括支持向量回归、随机森林、BP神经网络、长短期记忆网络（LSTM）等。其优势是能捕捉复杂非线性与老化、温度耦合关系，在数据充分时精度高；缺点是依赖高质量标注数据，训练数据需覆盖实际工况，泛化能力受限于训练集分布，模型可解释性弱，且需要一定的算力与存储资源。实船上常以云端训练、边缘端推理的方式部署。

五、四类方法对比与选型

下表从原理、精度、实时性、初值依赖、算力需求和典型用途六个维度进行对比（表中为定性判断，具体数值随电池类型与工况变化）：

工程实践中很少只用一种方法。常见组合是：以安时积分法作为在线主算法保证实时性，利用船舶靠泊静置或满充时机用开路电压法校准初值与漂移，在算力允许时引入卡尔曼滤波提升动态精度，机器学习法则用于后台数据分析与健康状态评估。选型时应综合考虑电池类型、工况动态性、BMS算力、成本与精度要求，而不是盲目追求高精度算法。