1、電池開路電壓(OCV)特性。電池開路電壓指的是電池在靜置狀態下，正負電極之間的電位差。不同的電池其特性都不壹樣，要充分考慮具體的電池類型；
2、充放電倍率與端電壓對應關系特性。電池動態情況下，我們測量到的電池電壓，實際上電池的端電壓。在定溫度和恒流狀態下它們的關系還是相對穩定的，但是電池只要工開始非恒流工作就會打亂對應關系；
3、溫度狀態。不同材料的電池都會受到溫度的影響，特別是低溫（所以系統會有加熱功能）；反正溫度對電池的各個參數都有影響；
4、電池壽命狀態。電池在使用的過程中壽命將逐漸衰減，衰減機理主要在於正負極材料晶體的塌陷和電極的鈍化導致了有效鋰離子的損失。總電量也將從BOL（Beginning of Life）向EOL（End of Life）狀態趨近。因此在計算SOC時需要考慮是采用BOL時刻的總容量，還是當前壽命下的實際總容量。
5、電池的串並結合。我們在實際使用中電芯肯定不是單個的，都是由於電芯的串並聯組合的，這就使SOC的估算情況變得更加復雜。不同電芯間難免存在歐姆內阻、極化內阻、自放電率、初始容量等差別。
1、AH積分法 。經典的SOC估算壹般采用安時積分法（也叫電流積分法或者庫侖計數法）。安時積分法是在初始時刻 SOC0的基礎上估算電池的 SOC。通過計算壹定時間內充放電電流和對應時間的積分，從而計算變化電量的百分比，最終求出初始 SOC 和變化的 SOC 之間的差，即剩余電量。安時積分法將電池等效為封閉的系統，只研究電池的外特性，即在測試過程中只需要實時地監測進出電池的電量然後積累電量，所以可以獲得電池任意時刻的剩余電量。
但是安時積分法，由於安時計量存在誤差，隨著使用時間的增加，累計誤差會越來越大，所以單獨采用該方法對電池的SOC進行估算並不能取得很好的效果。
2、開路電壓法。 其原理是利用電池在長時間靜置的條件下，開路電壓與SOC存在相對固定的函數關系，從而根據開路電壓來估算SOC。在電池靜置足夠長時間的情況下精度較高，但在實際工況下不適用，因此壹般也將開路電壓法與其他方法結合起來，***同進行 SOC 的預測。業界用得最多的方法為開路電壓+安時積分法。
3、卡爾曼濾波法。 卡爾曼濾波已廣泛應用於航天、通信、導航、控制、圖像處理等領域。對於動力電池采用卡爾曼濾波進行SOC估算，是當前非常主流的壹個方向。算法的核心是：對動態系統的狀態做出最優估計，評判標準是協方差最小。應用到電池方面，首先得建立狀態和觀測方程，SOC便是狀態分量，這裏可以用 KF算法進行 SOC 估算，利用 KF 算法估算模型中的未知狀態，其精度和魯棒性相對較高。KF算法在經過多次更新後可以使估計結果很好的趨近真值，並且可以很好的修正容量初值，抗幹擾能力強，利用這種方法理論上可以實現系統的動態估計，因此在研究領域，也被認為是可靠有效的方法之壹。
4、BP神經網絡法。 BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的 誤差平方和 最小。 BP神經網絡 模型拓撲結構包括輸入層（input）、隱層(hide layer)和輸出層(output layer)。 在實際中，由於算法復雜度導致硬件要求極高，所以要想將該方法應用到嵌入式類的BMS產品中還是有壹段距離的。
就目前來講SOC的估算精度依然是世界級的難題，希望能早日突破。對與相關企業來講，也是衡量壹個企業技術水平的標準，當然了突破SOC的估算需要很強大的人力物力。（PS-了解了這麽多，我還是老老實實的用基本方法去校準吧，差不多就行了⊙ω⊙）
願妳出走半生，歸來仍是少年…