双卡尔曼滤波（KF-UKF）用于考虑电池老化的SOC估计。介绍了如何使用Simulink来完成无迹卡尔曼滤波的搭建以估计锂电池非线性系统的SOC。（1）KF估计电池老化。电池的容量会随着每次充放电循环而下降，从而导致SOC估计不准确。当电池在充电和放电之间转换时，使用基于事件的线性卡尔曼滤波器来估计电池容量。然后使用估计容量来反映电池的健康状况。（2）UKF估计电池SOC。基于二阶RC模型所辨识的

使用扩展卡尔曼滤波来估计电池SOC，并给出Python代码及仿真结果分析。

使用粒子群优化算法来辨识锂离子电池二阶RC模型的参数。将粒子群优化算法寻找到的最优参数代入二阶RC模型进行仿真，经过验证，端电压的估计误差小于0.1%，说明粒子群优化算法辨识得到的参数具有较高的精度，为锂离子电池SOC的估计做铺垫。

AEKF_SOC_Estimation函数使用二阶RC等效电路模型（ECM）和自适应扩展卡尔曼滤波器（AEKF）估计电池的端子电压（Vt）和充电状态（SOC）。

使用LSTM神经网络预测锂离子电池健康状态SOH，预测的均方根误差RMSE=0.006097，误差的绝对值MAE=0.05406，具有较高的估计精度。

使用LSTM估计电池的RUL

锂离子电池二阶RC模型参数辨识及MATLAB指数拟合