要提高電動汽車 SOC 的估算精度，可以從以下幾個方面入手。

首先，考慮多種 SOC 估計方法的結合。比如將開路電壓法、模型法、安時積分法以及預測法相結合。開路電壓法和模型法在特定條件下能提供較準確的結果，但有應用限制。安時積分法簡單但累積誤差大，預測法能一定程度上校正誤差。

其次，建立更精確的電池模型。常見的如 RC 模型等，能更好地反映電池的物理特性。

再者，優化系統配置。給 BMS 添加輔助計算單元 ACU，其采用運算能力強的芯片，進行復雜且精度高的模型計算和預測計算，并每隔一段時間對 BMS 中的 SOC 進行校正。

另外，保證電壓和電流的時間同步性也很關鍵。在 BMS 的主控板和電壓板之間設置時間標志，確保采集到的數據對應準確。

在估算整個電池組的 SOC 時，根據極限電池的狀態進行。充電時依據 SOC 或電壓值最高的單節電池計算，放電時依據 SOC 或電壓值最低的單節電池計算，并不斷檢測各單節電池的狀態。

同時，采用新的算法和技術。像零跑科技的專利中，采用安時積分與 NEKF 算法計算 SOC 平滑切換，避免電壓平臺區算法計算不穩定和誤差大，還采用動態 OCV-SOC 校準，減少安時積分累計誤差。在卡爾曼濾波算法方面，研究者提出聯合改進滑模觀測器的自適應擴展卡爾曼濾波 ISMO_AEKF 算法，通過基于飽和函數改進傳統 SMO 的符號函數降低系統抖動，設計新型自適應衰減因子減少濾波器存儲的過往數據，提高算法估計精度和魯棒性。