近年来,随着轨道交通研究的深入与发展,车辆制动系统实现了再生制动,为了更好地吸收和存储再生的能量,锂电池储能系统越来越多应用在轨道交通领域。为了满足锂电池储能系统的工作需求及提供能量转换和分配策略的依据,需要电池管理系统(Battery Management System,BMS)实现对大量单体电池的监控与管理,并准确估算电池的荷电状态(State of Charge,SOC)。本文围绕轨道交通储能BMS中的电池监控系统设计以及钛酸锂电池SOC估算开展了一系列研究。通过对锂电池储能系统使用环境和特性的分析确定了储能BMS中的电池监控系统的实际功能和相应的硬件架构,采用MC33771作为电池参数的监控芯片,并选择卡尔曼滤波算法作为储能系统中的锂电池SOC估算算法。为了准确估算电池SOC,对比不同的锂电池等效电路模型,综合考虑模型精度及计算复杂度后选择Thevenin模型作为锂电池等效模型。分别使用遗忘因子递推最小二乘法(Forgetting Factor Recursive Least Squares,FFRLS)和偏差补偿递推最小二乘法(Bias Compensation Recursive Least Squares,BCRLS)对模型参数进行辨识实验,分析并对比辨识结果及算法的递推复杂度,最终选择FFRLS算法作为模型参数的在线辨识算法。在前面辨识算法的基础上,使用无迹卡尔曼滤波(Unscented Kalman Filter,UKF)估算电池的SOC。为了解决传统UKF估算过程不稳定,在误差协方差矩阵为非半正定性时滤波结果会发散的问题,采用一种改进无迹卡尔曼滤波(Improved Unscented Kalman Filter,IUKF)算法对电池的SOC进行估算。该算法使用奇异值分解(Singular Value Decomposition,SVD)替代原先Cholesky分解对UKF的误差协方差矩阵进行开方运算,提高了估算过程的稳定性。搭建扩展卡尔曼滤波(Extended Kalman Filter,EKF)与IUKF算法的Simulink模型,在自定义脉冲工况以及动态压力测试(Dynamic Stress Test,DST)工况下分别对电池SOC进行估算,结果显示IUKF算法估算准确度更高并且在有初始偏差的情况下估算结果能迅速收敛到真实值附近。最后根据相关功能需求和架构方案完成了储能BMS中的监控系统设计,并对所设计的系统进行测试,结果显示各项功能运行正常,能够完成电池参数采样和监控功能。