随着光伏发电技术的不断突破,储能系统的技术应用上也在不断地跟进。储能系统中储能电池的使用受到电池管理系统的监测与管理,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。首先,在分析锂离子电池工作特性的基础上,介绍了现有电池模型的特点,利用二阶RC等效电路模型对锂离子电池进行建模。采用电池脉冲放电响应实验数据,利用MATLAB对模型参数进行辨识,并在SIMULINK环境下建立电池等效电路模型。然后,利用扩展卡尔曼滤波算法对电池的荷电状态进行估算,利用深度强化学习——Double deep Q network对扩展卡尔曼滤波算法的参数进行优化,提高解决深度强化学习中产生的维数灾难和值函数过估计的问题。通过对锂离子电池充电状态估计算法的有效验证,仿真结果表明,相比与传统的deep Q network算法,Double deep Q network具有更好的收敛性、自适应能力以及更好的估计精度。最后,利用IMOCS-BP算法对锂离子电池的SOH值进行预测。利用IMOCS算法可以自适应的改变更新概率和步长,从而解决传统CS算法收敛速度较慢和求解的精度较低的问题。利用IMOCS-BP算法解决传统的BP神经网络为劣势模型和陷入局部最优的问题。该方法实现了对BP神经网络算法中每个节点的优化。利用Matlab软件对本文所提的算法进行仿真验证,结果表明IMOCS-BP算法可以优化SOH的预测效果,并实现高精度。