课题以锌溴液流电池管理系统为研究对象,应用底层下位机与云BMS相结合的设计方案,提出一种基于SOC参数辨识的锌溴液流电池管理系统。以提高锌溴液流电池SOC参数辨识精度为目标,特别是解决锌溴液流电池在放电过程中特有的电压拐点非线性特性,在兼顾实际算力限制与运行速率要求的条件下,对CNN＿LSTM深度神经网络融合算法在锌溴液流电池SOC参数辨识问题上的应用进行了探讨。为提高锌溴液流电池的控制效率,分析其电化学反应机理,利用开路电压法建立了数值模型,还原了锌溴液流电池的充放电特性,特别是放电过程中SOC的非线性特性。为针对锌溴液流电池固有特性,对电池管理系统电池状态检测、电池优化控制、电池信息处理、电池安全保护的功能做了研究,提出使用下位机加云BMS的电池管理系统设计方案。针对当前经典SOC方法应用于锌溴液流电池SOC参数辨识的精度不高问题,研究了基于数据导向型的神经网络SOC参数辨识方法。研究结果表明,CNN＿LSTM神经网络算法在兼顾空间维度特征提取以及时间维度建模,SOC参数辨识精度与传统机器学习算法相比有了很大的提升,绝对平均误差达到0.811,均方根误差达到0.0107。为实现锌溴液流电池的远程健康状态监控及相关数据高效传输问题,增加用户使用功能选项,研究了以云端数据库服务器为核心的云BMS平台。为提高数据传输的效率、降低数据存储的成本,研究了无损数据压缩在云BMS平台的使用。所设计云BMS平台在兼顾与下位机数据交互的功能外,还扩展了人机交互等功能。为设计搭建适配锌溴液流电池的电池管理系统,对所搭建的BMS下位机搭建相应的实验装置进行实验测试验证。实验分析表明,云BMS与下位机之间一次通讯过程消耗700～1000ms,电压采集误差64m V,电流采集误差43m A,温度采集误差0.1摄氏度。