随着新能源发电技术的不断突破,储能电池的技术应用上也在不断地跟进。储能电池的使用受到电池管理系统的的监测与管理,其中两个非常重要的电池监测量为荷电状态和健康状态,其估计值的准确性和精度对电池储能系统的安全管理、提高使用寿命、决策和均衡控制有着重大的意义。而锂离子电池在储能系统占有较大比重,因此,对提高锂离子电池的荷电状态和健康状态的估计精度的相关方法进行了研究。针对传统锂电池模型在SOC估计上自适应能力差,以及单一SOC估计算法局部估计精度低的问题,提出了一种加权SOC在线估计方法。该方法利用递推最小二乘算法将实时获得的电池模型直接辨识参数用于基于PI(比例积分)调节器的开路电压法的SOC估计,然后将开路电压法的SOC估计值与安时积分法得到的SOC估计值加权求和以提高估计精度和实现在线估计的目的。在平台区和非平台分配开路电压法和安时积分法不同的权值,解决了开路电压法平台区估计误差大、安时积分法难以确定初值和误差累积以及两种方法难以实现在线估计的问题。针对锂电池样本呈现出的数据量少、非线性特征明显,提出了一种基于互信息选择支持向量机回归(SVR)模型的特征向量来估计SOH的方法。考虑到影响支持向量机预测结果的因素包含输入样本的代表性和模型参数设置的好坏,在输入样本的选择上使用了互信息的方法,最终选择了恒流恒压充电过程中的电压均值和最高最低温差作为特征向量;选择网格搜索算法优化模型参数。针对所提的SOC估计方法在MATLAB上进行了仿真验证,给出了加权SOC在线估计结果和基于PI的开路电压法估计结果的比较分析。紧接着对所提的SOH估计方法,以美国宇航局(NASA)官网公布的锂电池实验数据,在MATLAB平台上进行了仿真实验,并将所提方法的估计结果和BP神经网络估计结果值进行了对比分析。