锂电池凭借其循环寿命长、比能量大、无环境污染、性价比高等独特优势迅速抢占市场。锂电池在储能系统的广泛推广应用,使得人们对锂电池组状态估计的准确性和锂电池组远程管理系统的可靠性提出了更高的要求。本文对大容量锂电池的荷电状态(Sate of Charge,SOC)估计算法进行了深入研究,结合课题的实际情况,先后提出两种SOC估计方法,并给出了一种面向GPRS无线网络的分布式锂电池组管理系统设计方案。主要的研究工作和成果如下:针对SOC估计中粒子滤波算法引入重采样技术后,粒子多样性丧失的问题,提出了一种改进粒子滤波的锂电池SOC估计算法。该算法在粒子滤波算法的基础上,将误差方向传播(Back Propagation,BP)神经网络引入到粒子滤波算法的权值更新过程中,增大位于概率分布尾部的粒子权值,使其进入高权值区域,减小粒子采样方差,提高粒子的多样性。实验结果表明,从整个放电过程来看,与粒子滤波算法相比,改进算法的SOC估计值更加接近真实值,在SOC估计的均方根误差和最大绝对误差两方面都有显著的改善。考虑到实际应用中对锂电池建立状态空间数学模型的复杂性和准确性,本文提出了一种基于参数优化支持向量机的锂电池SOC估计算法。该算法利用支持向量机强大的自学习能力实现对大容量锂电池的建模和状态估计,并从选取支持向量机最佳模型参数的角度出发,采用了简单、快速的粒子群优化算法实现参数的全局寻优,确保找到支持向量机最佳参数组合的同时,缩短模型训练时间。实验结果表明,在相同条件下相比传统的网格搜索参数寻优支持向量机,基于粒子群优化算法参数寻优的支持向量机能以更短的时间实现模型参数的全局寻优,加快了模型训练过程,训练时间平均减少了 13.9%,整体上表现出更好的预测性能。基于SOC估计研究成果,本文进一步给出锂电池管理系统设计方案。该系统是一种面向GPRS无线网络的分布式锂电池组管理系统,包括电池采集端和管理服务器端两个部分。在电池采集端,远程锂电池组单独完成电池状态信息的采集与传输。而在电池管理服务器端选用了前后台分系统的设计思想,后台系统采用多任务并行模式的通信接口,完成分布式电池数据的接收、解析与存储,前台系统通过人机交互界面,实现用户对电池数据的访问。