현재의 지능형 알고리즘 (예: 신경망, 흐림 제어, 지원 벡터기 등) 은 SOC 와 배터리 전압, 전류, 온도 간의 비선형 관계를 설명하여 높은 추정 정확도를 얻을 수 있지만 많은 양의 교육 데이터가 필요하기 때문에 차량 전체의 온라인 추정에 적용하기가 어렵습니다. EKF (Extended Kalman Filter) 는 배터리 등가 회로 모델을 기반으로 하는 효율적인 선형 필터 및 예측 방법으로 최근 몇 년간 배터리 SOC 추정에 널리 사용되고 있습니다. EKF 는 실시간 관측과 이전 시점의 추정치를 비교하여 SOC 의 실제 값을 동적으로 추적하며 전류가 급격하게 변동하는 전기 자동차 상황에 더 적합합니다. 그러나 EKF 는 배터리 모델이 정확한 경우에만 이상적인 SOC 추정 정확도를 얻을 수 있으며, 배터리 모델 매개변수의 변화는 추정에 뚜렷한 오차를 가져올 수 있습니다.

[4] 배터리 등가 회로 모델의 매개변수 식별은 일반적으로 오프라인 접근 방식을 사용합니다. 즉, 배터리 상자가 적재되기 전에 배터리에 대한 표준 충전 펄스 실험을 수행하여 관련 배터리 매개변수를 얻습니다. EKF 를 사용하여 SOC 를 추정하는 동안 배터리 매개변수는 고정 상수로 계산됩니다. 그러나 전기 자동차가 장시간 사용됨에 따라 배터리 노화로 인해 배터리 모델 매개변수의 변화와 배터리 용량의 비선형 감쇠가 발생할 수 있으며, EKF 가 계산 중에도 초기 배터리 매개변수를 계속 사용하면 추정에 심각한 오차가 발생할 수 있습니다. 오프라인 매개변수 식별 방법을 사용하려면 전체 차량에서 배터리 박스를 분리해야 합니다. 외부 장치를 사용하여 배터리를 충전하는 실험을 통해 배터리 매개변수를 다시 교정해야 합니다. 분해 과정은 매우 번거롭고 조작이 어렵습니다. (데이비드 아셀, Northern Exposure (미국 TV 드라마), 오프라인 매개변수 식별 방법)

[5] 요약하면 전원 배터리는 비선형, 시변성이 강한 시스템입니다. 확장 칼만 필터 알고리즘이 항상 고정 배터리 모델 매개변수를 상태 변수로 사용하여 SC 를 추정하면 배터리 노화로 추정되는 오차가 커지면서 차량 사용 수요를 충족시킬 수 없습니다. 오프라인 충전 방전 실험을 통해 배터리 모델 매개변수와 배터리 용량을 다시 정하면 차량의 배터리 케이스를 분해해야 합니다.