锂电池储能装置在电网中承担削峰填谷、调频保电的重要工作，因此有必要预测其运行状态，为下一步制定运维与检修计划提供依据。为实现锂电池储能装置荷电状态（state of charge, SOC）与健康状态（state of health, SOH）的联合预测，首先分析了预测电压与温度的必要性和SOC与SOH的关联性，然后提出采用长短期记忆（long short-term memory, LSTM）网络来预测电压与温度的变化，并增加锂电池储能装置历史运行状态作为特征量来提高预测精度。最后在电压与温度预测值的基础上，对SOC和SOH进行联合预测。仿真结果表明，相比小波神经网络、BP神经网络模型，所提出的预测方法在预测电压与温度变化时精度更高；相较于荷电状态的单独预测，提出的方法能够以较高的精度联合预测SOC和SOH。
