近几年,随着人们保护环境意识的不断增强和各国政府大力支持新能源汽车产业的发展,我国电动汽车的产量逐年递增。为确保电动汽车能够安全稳定地运行,电动汽车需要对其各项指标进行有效的监控和管理。而电池状态作为电池包重要监控指标,需要精确估算电池包的健康状态(SOH)和电池电荷状态(SOC)为电动汽车自检以及诊断提供可靠依据,同时延长电池的使用寿命,提升电动汽车的经济效益。所以基于真实的历史数据准确估计动力锂电池包的健康状态和电池电荷状态具有非常重要的现实意义。而以往关于电池状态的研究主要是在实验环境下对单体研究,相比较实际生产中整包电池,研究对象差距较大,更主要的是没有结合实际情况分析问题,无法实现端对端的学习,不具有时效性,无法满足现实生产的需求。本文将云平台积累的电动汽车真实历史数据作为研究对象,建立电池包健康估计模型和电池荷电状态估计模型,并对数据进行预处理,包括删除、插值和去重等处理,并划分充电、放电事件,归纳用户的使用行为数据,为后续建立模型奠定基础。为准确估计动力电池包的健康状态,本文参考文献资料以及数据中可以挖掘的电池信息,探究动力锂电池包健康状态的各个影响因素,并进行细致的相关性分析,探究特征之间的耦合性,去除高相关的输入特征,达到简化模型输入的目的。其次,为解决平台数据只做了充电/放电标识,无法区分快慢充事件的问题。本文基于部分可观测样本,利用SOMTE重采样方法解决快慢充事件次数分布不均衡问题,构建SVM快慢充事件分类模型,分别统计快充条件下累计充电量,以及慢充条件下累计充电量,作为最终模型的输入特征。在确定好模型输入参数之后,本文采用梯度提升树模型(GDBT),建立电池健康状态估计模型,经过模型的训练,以及对模型学习率、最大深度和迭代次数等参数的优化,最终确立模型;实验结果表明基于梯度提升树模型相比较于其他模型具有较高的估计精度,能够满足实际需要。为证明模型在实际应用中的可行性,本文基于python语言构建Flask网络框架,模拟客户端向云端发送数据请求,云端利用训练好的算法模型,将SOH估计值返回给客户端。由此可以体现出利用历史数据结合机器学习方法构建电池健康状态估计模型的优越性以及通过网络框架实现模型在实际场景应用的可行性。最后通过比较不同的SOC估计方法,提出利用LSTM时序模型,估计运动过程中电池SOC的方法,并达到理想的精度要求。