随着“碳达峰”及“碳中和”目标下电力结构和能源市场的转型,以锂离子电池为核心的新型电化学储能器件在全球能源产业中需求暴涨,并广泛应用于储能电站及其它新型电力系统中。对于储能系统而言,锂离子电池健康状态（State of Health,SOH）是电池管理系统（Battery Management System,BMS）用来优化能量管理策略和提供经济性参考的关键指标。本课题针对储能锂电池簇的长期SOH估算展开以下研究。（1）本课题分析了储能锂电池中锂离子的运动机理,为电化学建模提供理论根据。通过探索储能锂电池反应过程中液相电势规律,在考虑固体电解质界面（Solid Electrolyte Interphase,SEI）膜影响单粒子模型的基础上,搭建扩展单粒子电化学单体模型,基于储能锂电池簇的串联特性,构建储能锂电池簇多单体模型。（2）本课题设计了两类不同健康指标的提取方法,为SOH估算模型提供输入基础。针对在实际应用中标准粒子群优化算法辨识能力较差的问题,根据协同策略和竞争策略进行改进粒子群优化算法的构建,提出协同竞争粒子群优化（Cooperation Competition Particle Swarm Optimization,CCPSO）算法,实现电化学参数精确辨识,通过对容量增量-微分电压（Incremental Capacity-Differential Voltage,IC-DV）曲线特征点的定量分析,开发IC-DV方法,实现老化模式量化研究。（3）针对在实验测试中反向传播（Back Propagation,BP）神经网络估算结果精度不足的问题,通过非线性系数温度递减步长-模拟退火策略对传统BP网络的初始参数进行优化,提出非线性系数温度递减步长模拟退火-反向传播（Nonlinear Coefficient Temperature Decreasing Step Size Simulated Annealing-Back Propagation,NSA-BP）模型,结合多维健康指标及NSA-BP数据驱动模型,实现储能锂电池簇SOH有效估算。（4）为研究本课题所提出的储能锂电池簇SOH估算方法的精确性,通过聚类不同储能典型工况对电池模型和SOH估算结果进行验证。构建的多单体模型在两种不同储能工况下的最大电压误差和平均绝对电压误差分别为0.0187V和0.0364V,基于多维健康指标及NSA-BP模型的储能锂电池簇SOH估算方法在低倍率恒流储能工况下的均方根误差（Root Mean Square Error,RMSE）与平均绝对误差（Mean Absolute Error,MAE）分别为0.0059和0.0048,在变倍率储能工况下的对应值为0.0073和0.0064。通过分析实验验证结果,本课题所开发的储能锂电池簇长期SOH估算方法能有效地满足储能锂电池在新型储能环境下的SOH估算要求,为储能锂电池运行监测及健康管理的可靠性提供有力的理论依据和实验依据。