最优和神经网络非线性处理局部最优的特点。该算法具有并行分布式处理和自学习能力，可以根据给定数据快速求得最优解，这对电动汽车锂电池SOC的在线预测有十分重要的意义。
Fu Zhumu,Zhao Rui SOC estimation of lithium-ion power battery for HEV based on advanced wavelet neural network[8]
Fu Zhumu,Zhao Rui基于先进的小波神经网络，首先建立三阶BP网络模型，对混合动力汽车的锂离子动力电池SOC估计。然后，通过数学推导证明了先进的小波神经网络算法的收敛性。最后，利用不同的充电和放电的HEV电池充足的数据样本，对神经网络进行训练。仿真结果表明，与传统的SOC估计方法比较,提出的算法能有效地对锂离子动力电池SOC估计误差范围从±8%降低到±1.5%。
东北林业大学王业琴, 刘一星《粒子群优化神经网络电动汽车SOC 估算方法》[9]
通俗的讲，粒子群优化算法就是非线性拟合寻求最优解的问题。基于大量追踪数据（即粒子群位置坐标）寻求当前目标SOC的最优解，并引入惯性权重w，平衡局部最优和全局最优的关系。
基于改进粒子群优化算法的BP 网络算法的流程：
(1)初始化粒子群；（2）根据输入、输出，确定神经网络结构；（3）计算神经网络的均方误差；（4）粒子个体极值更新；（5）全局最优极值更新；（6）速度更新；（7）判断算法是否结束，如果满足停止迭代条件，则退出并返回最优个体，此时Pg即为网络的权值和阀值，如果不满足结束条件，则跳转到步骤（3）。
王业琴采用PSO 优化算法与BP 算法相结合进行电动汽车电池SOC 估计，参照中国汽车行业标准QC/T743-2006 对磷酸铁锂电池展开试验，由Arbin 测试仪采集实验样本，研究结果表明，PSO-BP 网络模型收敛速度快，有效避免BP 网络陷入局部最小问题，该方法能够实现在20%～80%SOC 范围准确估计，分析误差原因与LiFePO4电池的本身滞回特性有关，后续可以考虑分段采样，提高预测精度，同时该方法也可以推广应用到其他预测问题，后续将考虑工况，循环寿命等因素，丰富输入特征量，不断优化算法，使研究结果更具有扩展性。
Mohammad Sarvi .A Neural Network Method for Estimation of Battery
Available Capacity[10]
Mohammad Sarvi 介绍了两种神经网络（RBF和MLP）对铅酸BAC(battery available capacity)估计。其中MLP与文章《基于神经网络的电动汽车磷酸铁锂电池SOC估算方法研究》中的BP 神经网络模型是一种，这里不再赘述。
基于神经网络可以在不同温度下和放电电流之间模拟BAC非线性关系，在Mohammad Sarvi用RBF神经网络和MLP神经网络来寻找对于一个给定电池的BAC。在不同的温度和放电电流条件下，对这两种网络的结果进行了比较，结果表明，RBF神经网络的均方误差小于MLP神经网络。
1.5卡尔曼滤波法
东南大学的马文伟等在《应用Kalman 滤波法估计铅酸蓄电池SOC》[11] Kalman 滤波法的基本思想是：采用信号与噪声的状态空间模型，利用前一时刻的估计值和现时刻的观测值来更新对状态变量的估计，求出现在时刻的估计值。通过与几种常用的电池模型：Thevenin 电池模型、Shepherd 电池模型、Peukert 经验公式In=K相比较，马文伟的蓄电池模型采用Randles 电路模型，Randles 等效电路模型是由欧姆内阻和两个RC 网络串联而成，它考虑了电池内部的电极反应、能量散发和欧姆效应，可有效模拟铅酸蓄电池的动态特性。结合合理的蓄电池模型，利用Matlab/Simulink 对所提出的Kalman 算法进行了仿真，结果表明卡尔曼滤波法可快速、准确的检测蓄电池SOC 的变化，并且控制精度优于传统的SOC检测方法。
北京交通大学 刘浩《基于EKF的电动汽车用锂离子电池SOC估算方法研究》
[12]
北京交通大学刘浩基于扩展的Kalman滤波器(EKF)原理研究锰酸锂电池SOC估算算法。通过比较典型的几种等效电路模型有Rim模型、Theyenin模型和PNGV模型， 刘浩选择了Theyenin模型。基于建立的电池等效电路模型，最终确定基于EKF的SOC估算算法的计算流程。为了提高估算的精度，对算法进行了三个方面的改进：采用静态常数增益进行全程滤波修正；增加动态增益以改善EKF算法对电流突变的适应能力；对观测误差方差进行动态修正。在Matlab中建立算法的仿真模型，采用HPPC循环试验和动态工况试验进行了验证。仿真结果表明，该方法可以很快收敛到SOC真值附近，可以解决安时法初值难以确定和累计误差的问题。采用改进后的SOC估算算法有效的提高了估算
精度，收敛的速度明显加快，尤其体现在估算后期，SOC估算误差明显变小。（该流程同上篇文章相同）
吉林大学，柏庆文《基于无味卡尔曼滤波的电动汽车动力电池 SOC 估计》[13]吉林大学柏庆文建立的二阶RC等效电路模型即为应用Kalman 滤波法估计铅酸蓄电池SOC一文中提出的 Randles 电池模型，这里不再赘述。
无味卡尔曼滤波算法 UKF 是卡尔曼滤波 KF 算法的衍生，对于一步预测方程，使用 UT 变换来处理均值和协方差的非线性传递，便称为 UKF 算法。无味变换是 UKF 算法的核心，通过计算非线性随机变量的统计值对非线性函数进行变化的一种方法。
无味卡尔曼滤波算法：
①初始状态给定；②状态扩维；③计算采样点：④时间更新：使用UT 变换来处理均值和协方差的非线性传递；⑤测量更新。
在Matlab中实现对目标电池的SOC、极化电压等状态变量进行了仿真估计。仿真结果表明，基于同一电池非线性模型，在初始条件与噪声相同的情况下，UKF算法对SOC的估计效果相比EKF更好，从而证明了无味卡尔曼滤波算法在恒流充放电切换较为频繁的条件下，可很好地保证SOC估计精度，有效地避免了因为模型的非线性加剧而产生的滤波发散问题。
武汉理工大学，高明煜《基于采样点卡尔曼滤波的动力电池SOC 估计》[14]
采用采样点卡尔曼滤波进行电池SOC 估计的具体步骤如下：
（1）初始化：设定电池初始 SOC 为 z0，其估计方差为P0，确定合适的Rw 及Rv 值。
（2）考虑到处理噪声和观测噪声的影响，将状态变量zk?1 及其估计方差Pk
?1
分别进行扩展，得到扩展状态变量xk 及其协方差Pxk。
（3）根据测量得到的电池端电压yk 及放电电流ik，k=1,2,…，按照如下过
程进行递推计算：
①计算加权采样点序列：S??wi,Xi;i?0,1,...,6?； ②由采样点，根据处理方程计算状态更新； ③根据观测方程计算测量更新。
按照上述迭代过程得到的更新状态xk 的第一个分量即为k 时刻的电池SOC 的估计值，Pxk 的第一个分量则为该估计值的估计方差。
通过锂电池试验平台，应用本文基于采样点卡尔曼滤波方法进行电动汽车锂电池的SOC 估计，分析估计结果，可以发现虽然算法选定的初始SOC 值z0与真实 SOC 存在一定偏差，但算法能快速地跟踪上真实SOC 值，估计误差在目标范围以内,满足试验目标有要求。
Kalman Filter SoC estimation for Li-Ion batteries[15] 基于卡尔曼滤波法的锂离子电池SOC估计
P. Spagnol阐述了目前在电池SOC估计领域最有前途的技术——卡尔曼滤波法。建立了电池的电路模型，并进行参数识别和验证，应用卡尔曼滤波理论设计SOC的估算算法。该算法可以针对参数规格相同的电池，起到抑制测量噪声和参数不确定性的效果，加快测量噪声的收敛时间及估计的鲁棒性。
P. Spagnol提出了以基于SOC估计卡尔曼滤波理论的观测器设计方法。基于二阶RC电池模型，给出其参数识别和验证方法。基于卡尔曼滤波原理，设计了滤波器。进行仿真试验，尤其注意了两种工况：一是参数的不确定性，二是噪声的影响。SOC的估计结果体现了滤波器的精度能够满足设计要求。此外，不同的观察结果显示一个权衡的问题：估计精度和惩罚的快速收敛，估计的收敛速度的惩罚的精度高。
吉林大学张頔《基于自适应卡尔曼滤波的锂离子电池SOC 估计》[16]
在电池线性离散化模型的基础上， 采用自适应卡尔曼滤波方法估计锂离子电池SOC，步骤如下：
a.设初始状态的估计值x0和初始状态误差的协方差P0
b.当k=1，2，…时刻，由k-1 时刻的状态和误差协方差矩阵对k 时刻的状态和误差协方差矩阵进行时间更新；
TT?PK?1? c.卡尔曼增益矩阵Lk为：LK?PK/K?1CK?CKPK/K?1CK?1d. 用k 时刻的测量输出值对状态和误差协方差矩阵进行测量更新。 由此，自适应卡尔曼滤波估计方法在基本卡尔曼滤波方法基础上，在线实时估计qk、Qk、rk和Rk，不断修正状态变量SOC 的估计值， 提高了SOC 估计精度。分别采用自适应卡尔曼滤波方法和扩展卡尔曼滤波方法估计电池的SOC，张頔提出的基于锂离子电池等效电路模型的自适应卡尔曼滤波算法能够精确估计SOC，估计误差小于2.4%，明显低于采用基本卡尔曼滤波方法的SOC 估计
误差。因此，自适应卡尔曼滤波方法能够有效降低未知噪声对电池SOC 估计的影响。
中国科学院沈阳自动化研究所王笑天等《双卡尔曼滤波算法在锂电池SOC 估算中的应用》[17]
王笑天引入双卡尔曼滤波( dual extended Kalman filter，DEKF) 算法，同时在线估计电池状态和参数，使电池模型能较好的描述电池的动态特性，具有了较好的适应性，使SOC 的估算精度得以提高。DEKF 总体思想是交替使用模型来估计系统状态和使用系统状态来重新估计模型参数。利用两个独立的卡尔曼滤波器，分别估计系统状态和参数。选用Thevenin 电池模型作为研究基础，利用双卡尔曼滤波算法在线估算电池欧姆内阻Ｒ0，改进Thevenin 模型的精确度。由设计实验表明，该算法具有较好的收敛性，不同的SOC 初值能够较快地收敛于真值。
参考文献
[1]林成涛，王军平，陈全世.电动汽车S OC估计方法原理与应用[J].电池，2004,34（5）:376-378.
[2] 林成涛，陈全世，王军平，黄文华，王燕超. 用改进的安时计量法估计电动汽车动力电池SOC [J]. 清华大学学2006，46（2）:247-251.