阀控式铅酸(VRLA)蓄电池是备用电力系统的重要组成部分,其可靠性关系到用电设备运行的安全与稳定。由于长期处于浮充状态且缺乏有效的维护,大多数VRLA蓄电池在实际应用中远远达不到设计寿命,经常出现供电能力不足的问题,从而引发各种停电事故,给企业造成严重损失。当前,电池领域公认最可靠的荷电状态(SOC)和健康状态(SOH)检测方法是核对性放电试验,但该方法需要耗费大量的人力、物力和财力,且属于离线检测。VRLA蓄电池在备用电力系统中的工作特点决定了离线性能检测方法受实际条件限制而存在一定的局限性。由于影响VRLA蓄电池性能的因素较多,且呈现高度非线性特点,要在线准确检测蓄电池的SOC和SOH一直是电池研究领域的一大难题。本文首先总结分析了国内外现有蓄电池性能检测方法的优缺点,并通过对VRLA蓄电池工作原理、失效机理、性能影响因素的深入探讨研究,确定了三个易于大规模在线测量且对容量影响显著的外部特性参数——端电压、电流、电池温度,提出在线检测蓄电池SOC和SOH的方法:1.基于满充VRLA蓄电池放电初始阶段的Coup de Fouet(“电压陡降复升”)现象中,不同放电条件下谷底电压和峰值电压同电池实际可用容量的对应关系,建立估测SOH的数学模型,利用BP神经网络进行训练。结果表明:模型能够准确对健康、劣化电池进行分类。同传统检测方法相比,该方法安全、便捷、高效,具有广阔应用前景。2.利用最小二乘支持向量机建立端电压、电流、电池温度同电池SOC之间的数学模型,引入蚁群算法对模型参数进行优化,使SOC预测值与实际值的均方误差低至1.16%,精度较高。通过对样本数据交叉试验,可以发现该方法对整个范围内SOC的估算具备较强的泛化能力,从而验证了该方法的可行性,为备用电力系统中VRLA蓄电池的SOC估测提供有力的理论指导和试验依据。