動力電池是電動車上最常用的儲能設備。動力電池作為電動車的主要能源，其性能和工作狀態對整車而言是至關重要的。為確保動力電池組的良好性能，利用動力電池的能量，延長電池的使用壽命，對其進行有效的管理和控制顯得尤為重要。電池管理相當復雜，它需要反映電池的若干信息，其中包括電池的電荷狀態(State of charge，SOC)、電池的健康狀態(State of health，SOH)和壽命管理。

傳統的汽車在行駛時通過油表來顯示汽車的可續駛里程，而電動汽車中需要計算電池組的電荷狀態(SOC)。SOC是電池狀態的重要參數，用來診斷電池的健康狀態和判斷電池是否過充放電等的重要依據之一，但是由于蓄電池本身是個復雜的、封閉的電化學反應系統，且影響SOC估算的因素很多，所以對于SOC準確估算的難度較大，是動力電池研究領域的熱點問題。

目前，SOC估算方法主要有放電實驗法、開路電壓法、內阻法、安時法、模糊邏輯、神經網絡法、卡爾曼濾波等。由于傳統的放電實驗法、開路電壓法、內阻法具有很大的局限性，很少應用于實際汽車動力電池的SOC估計。安時法也因為它的局限性與其他方法組合使用。清華大學汽車安全與節能國家重點實驗室對安時法進行了改進，該方法以安時法為主線，引入開路電壓法與卡爾曼濾波法來改進安時法的不足；近年來又相繼提出了許多在線預測SOC的算法并得到了廣泛應用，如模糊邏輯算法、神經網絡算法、卡爾曼濾波估計算法。卡爾曼濾波算法適應于電流波動比較劇烈的SOC估計，很適合應用在電動汽車上。

如果電池模型比較準確，卡爾曼濾波算法可以很快收斂到電池SOC真值附近，對電池SOC估算的初值要求不高。中提出用自適應卡爾曼濾波來處理在未知噪聲環境下的鋰離子電池SOC的估計問題，從而克服相同條件下傳統的卡爾曼濾波的發散現象，并與擴展卡爾曼濾波的估計結果進行比較，結果表明自適應卡爾曼濾波的SOC估計誤差低于擴展卡爾曼濾波的估計誤差。

在安時法的基礎上結合自適應卡爾曼濾波對鎳氫電池SOC進行估計，并與放電實驗法得出的SOC參考值進行比較，該方法的估計誤差遠低于單獨使用安時法時的誤差。神經網絡方法具有非線性的基本特性，具有并行結構和學習能力，適合于SOC的在線估計。神經網絡方法適用于各種電池，缺點是需要大量的參考數據進行訓練，估計誤差受到訓練數據和訓練方法的很大影響。近期又出現了線性模型法、支持向量回歸算法以及滑模法。

由于電池長期使用必然發生老化或劣化，因而必須測量電池的壽命狀態，也稱為健康狀態(SOH)。SOH是電池使用一段時問后其實際容量與標稱容量的比值，用來判斷電池老化后的實際狀態，其實際表現在電池內部某些參數(如內阻、容量等) 的變化上。傳統的SOH的預測估計方法主要有電池放電電壓Coup de fouet分析方法、電池阻抗分析方法、電池充放電操作狀態分析方法等。

近年來，人們在傳統方法的基礎上，又提出了一些新的研究方法。提出了壽命衰減模型，該模型一般只用于作電池壽命衰減的定性分析；根據大量試驗數據推導出了鋰離子電池的循環壽命經驗模型，該模型由于考慮電池的很多物理因素，因此，并不能很好地適應不同電池；提出了鋰離子電池容量衰減的數學模型；提出了基于模糊邏輯的SOH估計算法，通過交流阻抗來估計SOH。

提出了一種基于等效電路模型的在線估計SOH的方法，由于電池老化過程中等效電路模型參數也隨著變化，利用電池端電壓和電流估計變化的參數，進而獲得SOH。提出在等效電路模型的基礎上，利用自適應估計器獲得電路參數，進而計算得到電池SOH。文獻提出用模糊邏輯的方法估計鉛酸電池的SOH。中提出用擴展卡爾曼濾波器(Extended Kalman filter，EKF)算法估計等效電路參數，以電壓、電流、溫度等三個電池參數作為分類算法特征向量，并用二次判別分析法得到SOH。中提出一種用子空間狀態估計的方法來計算SOH。