太阳能以及风能等再生新能源具有波动性、间歇性以及分散性特点严重限制它们的广泛应用。给再生能源发电系统配上适当容量的储能系统,可将其转化为持续稳定的优质能源。与其它储能方式相比,全钒液流电池(Vanadium Redox Battery,VRB)具有成本低、结构简单、安全性高和循环寿命长等优势,是未来新能源发电储能系统一个重要发展方向。全钒液流电池的管理系统(Battery Management System,BMS)是电池运行安全可靠运行的保障,而BMS的核心是对液流电池荷电状态Stage of Charge,SOC)的准确估计。本文结合淡马锡理工学院的研究项目,以由20片单电池串联的千瓦级全钒液流电池为研究对象,研究VRB的SOC估计方法。论文主要工作及成果如下:充放电实验系统平台的设计和搭建。设计基于LabVIEW与DSPIC30F6012A单片机的实验数据采集系统。将采集到的电压、电流、温度等数据通过单片机进行处理传至上位机存储,用于分析和显示。用户界面能显示物理量的变化曲线以及VRB异常状态。全钒液流电池充放电性能研究。通过实验台测试数据,研究并分析温度、钒离子浓度以及充放电倍率对VRB效率以及容量的影响,同时对VRB运行过程中的温度分布情况进行数据分析。数据分析得到:该测试VRB效率及容量均处于正常状态,性能稳定。全钒液流电池建模与参数辨识。分析比较四种全钒液流电池等效电路模型优缺点,选取物理意义清晰的二阶RC的Thevein等效电路模型作为本文VRB的等效电路模型。利用测试平台,通过脉冲充放电实验得到VRB的动态参数,基于参数,建立Matlab/Simulink仿真电路模型,验证了参数以及模型的准确性,为后文的参数估计奠定基础。荷电状态估计算法的研究与分析。利用前文得到的动态参数及二阶模型,采用扩展卡尔曼滤波算法以及强跟踪卡尔曼滤波算法对VRB进行状态预测。结果表明:两种算法都能较准确跟踪;相对于扩卡尔曼滤波算法,强跟踪卡尔曼滤波在初值不准确的情况亦能快速收敛。并通过实验平台对VRB运行过程中的荷电状态进行了实时估计。研究结果表明:实验测试平台对于数据的采集有良好的精度,使用直观方便,该测试VRB效率及容量状态良好;模型及参数辨识结果可靠且精确度高;强跟踪卡尔曼滤波算法可快速收敛且精度高。