随着人们环保意识的逐渐增强,电力需求的日益增加,新能源的发展越来越受到人们的广泛关注。为了提升新能源供电的稳定性,保证电能的质量,大容量的储能技术发挥了重要作用。锂电池因具有体积小、电压高、比容量高、环保性好和无污染性的特点使其在储能领域的应用越来越广泛,成为了研究的重点。但是在锂电池的使用过程中,对于如何提高电池的性能和使用效率仍是一个难题。本文对锂电池的荷电状态(State of Charge,简称SOC)准确进行估算,可以更有效科学的使用电池,提高电池使用寿命,提升储能效率。锂电池的SOC不能直接测量得到,只能通过其它参数和方法来进行间接估算。根据这种特性,本课题的研究首先使用单片机和LabVIEW软件平台开发出一套在线实时监测锂电池参数信息的系统,然后根据采集到的放电过程中的温度、电流和电压值,通过计算得到剩余容量,并将这些参数在上位机LabVIEW的用户界面进行显示和存储。接着分析了各种常用的锂电池SOC的估算方法,根据锂电池的特性和实际的工作状态,选用开路电压法、安时累积法和BP(Back Propagation)神经网络法分别对电池处于不同阶段的SOC进行估算。放电实验分为恒流状态和变流状态的两种放电情况,系统记录下电池的温度、电压、电流参数和计算得出的剩余容量作为BP神经网络的样本数据。由于BP神经网络存在的各种不足,为了提高网络训练的效果,使得估算结果更精确,需要对它进行改进。因此恒流状态下选用LM-BP算法,变流状态下选用遗传-BP算法,在MATLAB上对建立的BP神经网络进行训练,接着用训练好的网络对测试的样本进行SOC估算,取得了较好的效果。最终将在MATLAB平台上训练好的网络调用到LabVIEW中,实现了实时预测电池的SOC,验证了系统的可靠性。同时本文的预测方法实现了锂电池输入与输出之间的高度非线性映射,预测精度高,具有可行性。