在发展低碳经济、实现“碳中和”目标的大背景下,政府出台一系列文件助力新能源汽车行业快速发展。作为新能源汽车的动力来源之一,锂离子电池因其自身能量密度高、循环寿命长等优势而得到广泛应用,使用量迅猛增长。作为一类非线性时变系统,锂离子电池内部机理复杂,许多内部状态指标不可直接测量,必须采用行之有效的方法才能对其进行估计;同时,伴随物联网、IT技术的快速发展,云边协同策略应用到各行各业,该策略既可以利用云端强大计算资源,实现复杂运算,又能够发挥边缘端靠近数据源的优势,提高计算的实时性。基于此,本文将云边协同策略应用到锂离子电池状态估计领域,分析云边两端系统各自适合承担的任务功能,实现基于云边协同策略的锂离子电池状态估计方法。具体做了如下研究:首先,以磷酸铁锂电池为研究对象,探明其组成部分,分析充放电过程中内部电化学反应过程,搭建电池测试实验平台,设计电池老化实验方案,为接下来的研究奠定数据基础;对比云边协同框架优势,设计电池状态估计的云边协同框架,并依据云边两端系统各自优势特点,对两端系统进行明确分工。其次,基于BP神经网络设计边缘端系统的电池荷电状态（SOC）估计算法。此方案利用边缘端靠近数据源的优势,来满足电池荷电状态估计对于实时性的要求;且BP神经网络结构简单、参数较少,模型内存占用较小,符合边缘端系统模型部署要求;同时,实验结果表明,模型精确度高,在满足小内存计算量的前提下,仍能将最大误差保持在2.5%以内。然后,基于LSTM神经网络与IC曲线泛化特征设计云端系统的电池健康状态（SOH）估计算法。此方案中选取的LSTM神经网络善于处理长时间序列信息,符合电池健康状态信息的基本特点;在该模型中,将IC曲线进行特征泛化,依据SOC将整个充电曲线划分为七个子区间,根据边缘端SOC估计算法得到采样值所在SOC区间,选取模型进而得到SOH,此举拓宽了特征输入的有效采样区间;且实验对比结果证明,本研究选取的LSTM神经网络比BPNN以及RNN有着更高的准确度,在所有子区间模型中,最大误差不超过3%。最后,针对云边两端系统的电池状态估计数据显示以及电池测试设备终端命令控制的需求,开发一套基于“云-边-终”三层架构的电池云测试软件系统。根据需求分析将该软件系统划分为测试程序编辑、通道选择、设备控制以及数据显示四个主要模块,该方案不仅实现了对电池测试设备终端的控制管理,还完成了云边两端系统状态估计曲线的界面显示功能。通过对软件整体架构、系统接口、数据存储以及通信模块的合理设计,软件系统内部模块之间耦合性低、可扩展性强,云端与数据库之间数据读写的时间成本更低,云边两端系统之间的指令信息传输更加可靠。