伴随着我国对机动车污染物排放标准要求的逐步提高以及新科技新技术的不断发展,人们开始对电动汽车大力开展研发。动力电池作为电动汽车的动力源,是电动汽车发展过程中受较多关注的一个研究对象,与此同时电池管理系统(Battery Management System,BMS)的研究工作也得到了重视。电池的电池剩余电量分析(State of Charge,SOC)估计、电池健康状况(State of Health,SOH)分析是BMS中电池状态分析的重要内容,其中电池SOH表征了电池当前可存储的最大电池容量的能力,对于电池整个生命周期至关重要。准确地估算SOH可获知电池当前是否需要被更换,以确保电池利用率最大化。本文首先介绍了锂电池的相关特性、锂电池健康状态研究的必要性以及国内外常用的电池SOH估算方法。其次描述了基于BP神经网络模型,以及基于该模型的两种改进方法:与灰色模型相结合、与电池等效电路仿真模型相结合的三种估算方法的过程和结果。然后通过对比分析已有方法的估算效果和优缺点,本文提出基于时间卷积记忆网络模型的电池健康状态估算。时间卷积记忆网络是将CNN(卷积神经网络)和LSTM(长短期记忆网络)两种算法相结合的一种模型,可以很好地提取和学习长时间跨度下电池循环充放电过程中数据之间的特征关系。最后用实验电池数据集整理出所需的输入输出数据集,作为训练数据集、测试数据集以及验证数据集进行时间卷积记忆网络模型的训练和测试。为了提高预测精度,本文选取指数平滑进行数据降噪并用数据裁剪方法进行数据增强来提高估算准确度。在实验部分,将改进之后的算法模型估算结果与BP神经网络模型、灰色神经网络模型、电池等效电路模型的估算结果进行对比。结果表明,本文提出的基于时间卷积记忆网络模型的电池健康状态估计方法精度更高,MSE为0.0076。