传统化石能源是有限的,为了人类的可持续发展,推进可再生能源的发展是必不可少的。大规模储能技术是解决可再生能源不稳定性的一种重要途径。单液流锌镍电池(Single-flow zinc-nickel battery)因为结构简单、生命周期长、成本造价低和稳定安全,具有广阔的储能应用前景。优秀的电池管理系统能优化电池循环寿命和能量效率,而准确的电池模型和荷电状态(State of Charge,SOC)估计是实现电池管理系统优化控制的基础。本文讨论了单液流锌镍电池模型参数辨识和SOC估计各种算法的精度与收敛性。本文首先总结了各种建模方法的特点,建立了单液流锌镍电池二阶等效电路模型,结合电池模型表达式,运用曲线拟合的方法完成了离线参数辨识。为了适应电池模型参数的实时动态变化,采用了单个固定遗忘因子递推最小二乘法(Single Fixed Forgetting Factor Recursive Least-Squares,SFFF-RLS)进行模型参数辨识,估计结果与离线辨识结果误差较小。针对电池模型的各个参数动态变化不一致,提出了一种采用多自适应遗忘因子递推最小二乘法(Multiple Adaptive Forgetting Factors Recursive Least-Squares,MAFF-RLS),以提供准确跟踪实时变化和参数的不同动态的能力。结果表明,MAFF-RLS算法相较于SFFF-RLS算法,电池模型参数的动态变化更加稳定。准确的SOC估算是对电池安全使用,延长电池寿命,进行能量管理的前提。在估计SOC的传统方法中,库仑计数法被广泛使用,但由于累积误差,其精度受到限制。另一种常用的方法是用卡尔曼滤波器(KalmanFilter,KF)进行基于模型的在线迭代估计,该算法具有校正功能,可以提高SOC的估计精度。首先运用扩展Kalman滤波算法(Extended Kalman Filter,EKF)来估算SOC,实验结果显示,估算误差随着时间推移逐渐增大,最终达到6%。然后为了提高SOC估计的性能,本文又采用了自适应扩展Kalman滤波器(Adaptive Extended Kalman Filter,AEKF),其能够更新噪声矩阵。结果表明,AEKF算法在线SOC估计精度相对EKF算法更高,对于不同的误差初始值,最大SOC估计误差小于2%。针对单液流锌镍电池模型参数会随着充放电过程逐渐发生变化的特点,提出了一种参数辨识与SOC估计同步进行的联合估计,建立了联合算法的具体SOC估计步骤。采用同样实验工况进行SOC估算,结果表明,联合算法估计性能优于AEKF,估计精度和鲁棒性更高。