剩余容量信息是蓄电池的重要性能参数之一，习惯上用荷电状态（SOC：state ofcharge）来表示。通过监测在线蓄电池实时的SOC信息，发现是否有蓄电池的失容、失效等故障，有利于蓄电池组诊断、维护和科学合理使用。及时处理性能不良电池，保证正常安全供电，预防生产事故的发生。蓄电池的电化学反应所表现出来的复杂动态、静态特性，使得精确估计SOC成为蓄电池应用领域的研究热点。论文首先简单介绍了VRLA电池的电化学原理，总结了当前蓄电池物理模型和SOC估计模型。在这个基础上，针对大型VRLA电池组在储能电站应用，VRLA蓄电池物理模型主要采用Thevenin电路模型的主体结构，根据储能电站频繁充电、放电的工作状态，在Thevenin电路模型基础上进行了拓展，细分了充电和放电的结构；SOC的数学模型在E-SOC模型基础上，也进行修正，分充放电两种情况；针对UPS后备电源直流系统，根据蓄电池组长期处于浮充，主要关心蓄电池放电工作状态，采用蓄电池简单电路模型，SOC估计数学模型采用V-R模型。其次，论文介绍了蓄电池物理模型的辨识方法，即单频交流阻抗法辨识简单电路模型；双频交流激励法辨识Thevenin电路模型的结构参数，引用了小波去噪原理，处理交流阻抗法内阻测试信号的噪声问题，通过Matlab仿真实现了小波去噪处理交流阻抗法内阻测试信号的噪声，也得到了良好的去噪效果。论文以汤浅公司的VRLA蓄电池作为对象，在室温25℃恒温条件下开展了一系列的蓄电池的充放电特性实验。实验采集了大量的VRLA电池在线完全充电、放电电压，内阻，电流等数据，利用这些数据，一方面，运用最小二乘辨识法，得到了具体的SOC的V-R数学模型公式，另一方面，也确立了修正后具体E-SOC数学模型公式。最后，相应SOC数学模型确立后，联合Ah计量法，构建了卡尔曼滤波器算法的空间结构方程，编写算法Matlab程序，仿真实现了基于卡尔曼滤波器的SOC最优估计。仿真结果表明，该算法策略有效解决了SOC初始值造成误差累积问题，并且SOC最优估计值误差控制在客户要求的8%范围内，证明该套算法能用来在线实时估计VRLA蓄电池的SOC。该算法嵌入到蓄电池监测设备PITE3920软件系统中，得到实际应用。