动力电池是电动车上最常用的储能设备。动力电池作为电动车的主要能源，其性能和工作状态对整车而言是至关重要的。为确保动力电池组的良好性能，利用动力电池的能量，延长电池的使用寿命，对其进行有效的管理和控制显得尤为重要。电池管理相当复杂，它需要反映电池的若干信息，其中包括电池的电荷状态(State of charge，SOC)、电池的健康状态(State of health，SOH)和寿命管理。

传统的汽车在行驶时通过油表来显示汽车的可续驶里程，而电动汽车中需要计算电池组的电荷状态(SOC)。SOC是电池状态的重要参数，用来诊断电池的健康状态和判断电池是否过充放电等的重要依据之一，但是由于蓄电池本身是个复杂的、封闭的电化学反应系统，且影响SOC估算的因素很多，所以对于SOC准确估算的难度较大，是动力电池研究领域的热点问题。

目前，SOC估算方法主要有放电实验法、开路电压法、内阻法、安时法、模糊逻辑、神经网络法、卡尔曼滤波等。由于传统的放电实验法、开路电压法、内阻法具有很大的局限性，很少应用于实际汽车动力电池的SOC估计。安时法也因为它的局限性与其他方法组合使用。清华大学汽车安全与节能国家重点实验室对安时法进行了改进，该方法以安时法为主线，引入开路电压法与卡尔曼滤波法来改进安时法的不足；近年来又相继提出了许多在线预测SOC的算法并得到了广泛应用，如模糊逻辑算法、神经网络算法、卡尔曼滤波估计算法。卡尔曼滤波算法适应于电流波动比较剧烈的SOC估计，很适合应用在电动汽车上。

如果电池模型比较准确，卡尔曼滤波算法可以很快收敛到电池SOC真值附近，对电池SOC估算的初值要求不高。中提出用自适应卡尔曼滤波来处理在未知噪声环境下的锂离子电池SOC的估计问题，从而克服相同条件下传统的卡尔曼滤波的发散现象，并与扩展卡尔曼滤波的估计结果进行比较，结果表明自适应卡尔曼滤波的SOC估计误差低于扩展卡尔曼滤波的估计误差。

在安时法的基础上结合自适应卡尔曼滤波对镍氢电池SOC进行估计，并与放电实验法得出的SOC参考值进行比较，该方法的估计误差远低于单独使用安时法时的误差。神经网络方法具有非线性的基本特性，具有并行结构和学习能力，适合于SOC的在线估计。神经网络方法适用于各种电池，缺点是需要大量的参考数据进行训练，估计误差受到训练数据和训练方法的很大影响。近期又出现了线性模型法、支持向量回归算法以及滑模法。

由于电池长期使用必然发生老化或劣化，因而必须测量电池的寿命状态，也称为健康状态(SOH)。SOH是电池使用一段时问后其实际容量与标称容量的比值，用来判断电池老化后的实际状态，其实际表现在电池内部某些参数(如内阻、容量等) 的变化上。传统的SOH的预测估计方法主要有电池放电电压Coup de fouet分析方法、电池阻抗分析方法、电池充放电操作状态分析方法等。

近年来，人们在传统方法的基础上，又提出了一些新的研究方法。提出了寿命衰减模型，该模型一般只用于作电池寿命衰减的定性分析；根据大量试验数据推导出了锂离子电池的循环寿命经验模型，该模型由于考虑电池的很多物理因素，因此，并不能很好地适应不同电池；提出了锂离子电池容量衰减的数学模型；提出了基于模糊逻辑的SOH估计算法，通过交流阻抗来估计SOH。

提出了一种基于等效电路模型的在线估计SOH的方法，由于电池老化过程中等效电路模型参数也随着变化，利用电池端电压和电流估计变化的参数，进而获得SOH。提出在等效电路模型的基础上，利用自适应估计器获得电路参数，进而计算得到电池SOH。文献提出用模糊逻辑的方法估计铅酸电池的SOH。中提出用扩展卡尔曼滤波器(Extended Kalman filter，EKF)算法估计等效电路参数，以电压、电流、温度等三个电池参数作为分类算法特征向量，并用二次判别分析法得到SOH。中提出一种用子空间状态估计的方法来计算SOH。