近年来,随着人们环保意识的不断提高,新能源开发正成为各国的重点战略之一,而浮充式蓄电池作为新能源开发的重点方向,与其相关的研究也受到了广泛的关注。浮充式磷酸铁锂电池是电力工程中一种重要的后备电源,在实际生产和生活中各类需要持续性供电的场所中发挥着重要的作用。精确地估算并监控磷酸铁锂电池的实时状况,能够便于工作人员对电池性能进行观察分析,有效提高电池的使用效率,保证整个供电系统安全稳定的运行。因此,以电池SOC和SOH的估计方法及其应用作为研究内容,本文的主要工作如下:首先,在SOC估计方面,本文以具有良好仿真精度的Thevenin等效电路为基础,以实际的电池充放电实验数据对模型参数进行了辨识。随后基于模型的状态空间方程,利用自适应扩展卡尔曼滤波实现了SOC预测。同时,在新息序列的基础上,改进了卡尔曼滤波器的噪声协方差,使其估计的准确性和自适应能力得到了进一步的改善。其次,一般SOH算法中的数据量很大,学习流程也比较繁琐,且浮充式蓄电池在进入工作后,会一直接入电源和负载,容量信息难以获取,本文提出了一个基于特征提取和粒子群优化支持向量回归的SOH估计模型。在估计过程前,本文对磷酸铁锂电池老化实验的数据进行了分析,根据电池老化过程中各曲线的细微变化,提取了截止电压时间点,充电容量及容量增量曲线的Ⅱ峰幅值三个特征向量,并以灰色关联度为基准验证了他们与SOH之间的相关性。随后利用粒子群优化算法,不断更新和优化回归模型的参数,最终得到了参数最优的电池容量估计模型。该模型经过训练优化后有着良好的估计效果,避免了传统方法冗杂的训练过程和数据量,且重要的是建立的估计模型符合电池长期浮充工作模式,通过少量充放电数据即可实现估计,能够满足浮充式磷酸铁锂电池的日常监测需求。最后,为了实现磷酸铁锂电池的远程监测,本文以Netty框架为基础搭建了电池远程监测平台,实时收集电池柜内电池测控终端上传的数据,并在服务器端提供了数据处理和存储的功能,让工作人员能通过前端页面随时查看电池的状态。