近年来,随着“中国制造2025”政策的不断推进,国家对新能源日益重视,储能电池等相关产业在我国蓬勃发展。为了保障储能电池的安全可靠运行,电池管理系统已成为国内外学者的研究热点之一。状态估计是电池管理系统的核心功能。本文创新之处在于将遗传算法、无迹卡尔曼滤波、经验模态分解、长短期记忆循环神经网络等方法相结合,提出了一套完整的储能电池管理系统状态估计方案,分别对储能电池的荷电状态、健康状态和功率状态进行状态估计,实现了高精度的状态估计。本文的研究内容分为以下三部分:（1）研究了电池从满充到满放状态的一次充放电循环中电池剩余电量的估计问题。建立二阶RC等效电路模型,通过恒流放电实验数据完成开路电压和SOC的关系标定。进一步对系统参数进行辨识,利用改进的递推最小二乘算法,增强了新得到的数据对辨识算法的修正作用。由于递推最小二乘算法在寻找最优解的过程中容易陷入局部极值,给出一种基于遗传算法的系统参数辨识方法,再结合参数辨识的结果设计了SOC的无迹卡尔曼滤波器对荷电状态进行估计,仿真结果验证了所设计的荷电状态估计算法的有效性。（2）研究了电池从出厂直至失效的寿命周期中电池健康状态的估计问题。提出了一种基于经验模态分解和长短期记忆循环神经网络的健康状态估计算法,通过EMD进行多尺度的分离,将电池容量下降的全局退化趋势与局部重生特征进行分离,解决了电池容量指标重生引起的剧烈波动问题,将强相关性的信号进行合成,构建主下降趋势和波动量数据的LSTM-RNN网络,将模型的估计结果集成,仿真结果表明了所设计的健康状态估计算法的有效性。（3）研究了电池在不同荷电状态下充、放电功率的极限能力估计问题。考虑了锂电池模型、SOC、电流和功率的限制,提出了多约束动态峰值功率的估计方法,同时考虑了最大充放电电流、最大充放电功率的约束,推导出持续峰值功率估计算法,实现了持续时间内动态峰值功率的有效估计,仿真结果验证了所设计的功率状态估计算法的有效性。