能源问题使得建立清洁可再生的新能源体系成为人类社会发展的必然选择。中国是汽车消费和生产大国，正面临着节能减排的重大挑战¨ 。动力电池是制约电动汽车发展的关键，而磷酸铁锂(LiFe-PO )电池因其寿命长、安全性能好、成本低、无记忆性等特点成为电动汽车的理想动力源。
在电动汽车的发展过程中，动力电池荷电状态(state-of-charge，SOC)是电池的一个重要参数，用来表示电池的剩余电量，是对动力电池的使用进行必要管理和控制的主要依据 。同时SOC预测也是动力电池管理系统的主要功能之一，根据SOC来估计续驶里程，在电池充放电时依靠SOC做出相应的控制，防止动力电池因过充放电造成其本身损害甚至危险的发生 。因此，如何准确预测SOC成为电动汽车发展的重要环节。
SOC估算方法
由于电池的SOC与很多因素相关(如温度、极化效应、电池寿命等)，而且具有很强的非线性，若要提高SOC估算的精度，需要在测量方法、电池模型和估算算法等方面进行深入研究。国内外普遍采用的方法有：放电试验法、安时法、开路电压法、内阻法、卡尔曼滤波法、线性模型法和神经网络法等。
SOC现有估算方法存在的缺陷
目前SOC估算有多种方法，但各种估算方法都存在某个方面的缺陷。
1)放电试验法要求电池处于恒流放电状态，而且需要花费大量测量时间；
2)安时法易受到电流测量精度的影响，在高温或电流波动剧烈情况下精度很差；
3)开路电压法进行电池SOC估计时，电池必须静置较长时间以达到稳定状态，而且只适用于电池电流非剧烈变化状态下的SOC估计，不能满足在线检测的要求；
4)内阻法需要精确测量电池的内阻，一般电池内阻在毫欧级，对测量仪器的要求非常高，难以在实际中加以应用；
5)卡尔曼滤波法是目前采用较多的一种估算方法，它对电池模型依赖性较强，要获得准确的SOC，需要建立较为准确的电池模型，而电池模型的准确程度和复杂度是成正比的；
6)线性模型大致分为等效电路模型和简化电化学模型。等效电路模型多采用较简单的Thevein模型，而如果采用更为复杂的电路模型，模型参数的辨识和状态方程的建立都将是很大的挑战。由于模型的简化，并不能充分反映电池的内部规律，会造成较大的估计误差。
目前重庆邮电大学提出了新的解决办法 ：针对动力电池荷电状态(state of charge，SOC)的精确预测问题，他们提出了一种基于遗传算法的径向基函数(genetic algorithm—radial basis function，GA—RBF)神经网络的磷酸铁锂电池SOC预测方法，它克服了网络参数选择的随机性，具有更强的适应能力。通过仿真实验，证明了该方法比传统的径向基函数(radial basis function，RBF)神经网络预测结果更加准确，运行更稳定，满足电池管理系统对磷酸铁锂(LiFePO )动力电池SOC预测的精度和实际使用的要求。