能源問題使得建立清潔可再生的新能源體系成為人類社會發展的必然選擇。中國是汽車消費和生產大國，正面臨著節能減排的重大挑戰¨。動力電池是制約電動汽車發展的關鍵，而磷酸鐵鋰(LiFe-PO)電池因其壽命長、安全性能好、成本低、無記憶性等特點成為電動汽車的理想動力源。

在電動汽車的發展過程中，動力電池荷電狀態(state-of-charge，SOC)是電池的一個重要參數，用來表示電池的剩余電量，是對動力電池的使用進行必要管理和控制的主要依據。同時SOC預測也是動力電池管理系統的主要功能之一，根據SOC來估計續駛里程，在電池充放電時依靠SOC做出相應的控制，防止動力電池因過充放電造成其本身損害甚至危險的發生。因此，如何準確預測SOC成為電動汽車發展的重要環節。

SOC估算方法

由于電池的SOC與很多因素相關(如溫度、極化效應、電池壽命等)，而且具有很強的非線性，若要提高SOC估算的精度，需要在測量方法、電池模型和估算算法等方面進行深入研究。國內外普遍采用的方法有：放電試驗法、安時法、開路電壓法、內阻法、卡爾曼濾波法、線性模型法和神經網絡法等。

SOC現有估算方法存在的缺陷

目前SOC估算有多種方法，但各種估算方法都存在某個方面的缺陷。

1)放電試驗法要求電池處于恒流放電狀態，而且需要花費大量測量時間；

2)安時法易受到電流測量精度的影響，在高溫或電流波動劇烈情況下精度很差；

3)開路電壓法進行電池SOC估計時，電池必須靜置較長時間以達到穩定狀態，而且只適用于電池電流非劇烈變化狀態下的SOC估計，不能滿足在線檢測的要求；

4)內阻法需要精確測量電池的內阻，一般電池內阻在毫歐級，對測量儀器的要求非常高，難以在實際中加以應用；

5)卡爾曼濾波法是目前采用較多的一種估算方法，它對電池模型依賴性較強，要獲得準確的SOC，需要建立較為準確的電池模型，而電池模型的準確程度和復雜度是成正比的；

6)線性模型大致分為等效電路模型和簡化電化學模型。等效電路模型多采用較簡單的Thevein模型，而如果采用更為復雜的電路模型，模型參數的辨識和狀態方程的建立都將是很大的挑戰。由于模型的簡化，并不能充分反映電池的內部規律，會造成較大的估計誤差。

目前重慶郵電大學提出了新的解決辦法：針對動力電池荷電狀態(stateofcharge，SOC)的精確預測問題，他們提出了一種基于遺傳算法的徑向基函數(geneticalgorithm—radialbasisfunction，GA—RBF)神經網絡的磷酸鐵鋰電池SOC預測方法，它克服了網絡參數選擇的隨機性，具有更強的適應能力。通過仿真實驗，證明了該方法比傳統的徑向基函數(radialbasisfunction，RBF)神經網絡預測結果更加準確，運行更穩定，滿足電池管理系統對磷酸鐵鋰(LiFePO)動力電池SOC預測的精度和實際使用的要求。