锂离子电池退役高潮的袭来对社会环境和社会安全提出了严峻的考验,储能系统作为梯次利用的一种途径在一定程度上有效缓解了这种压力。然而锂离子电池内部电化学反应较为复杂且具有很强的非线性特性,外部仅有电池端电压和端电流可被检测,属于典型的黑箱系统。如何对电池的荷电状态（State of Charge,SOC）做出准确的预测以保证其安全可靠运行,是电池管理系统（Battery Management System,BMS）研究的重点和难点。首先,本文以钴酸锂电池为研究对象,综合考虑模拟精度和计算复杂度后选取二阶RC等效电路模型作为基础研究模型。利用循环脉冲放电实验和开路电压（Open Circuit Voltage,OCV）实验对不同SOC点处的模型参数进行拟合。为提高基础模型的精度提出一种小样本数据扩展的模型改进方法,基于不同的温度和电流倍率提出加入受控型电压源补偿的等效电路模型,利用少样本的模型端电压误差数据,训练BP（Back Propagation）神经网络实现对基础模型的动态补偿。然后,根据扩展卡尔曼滤波（Extended Kalman Filter,EKF）算法的基本原理设计扩展卡尔曼滤波器。基于改进的二阶RC等效电路模型,建立与算法的状态方程和输出方程相对应的模型状态空间方程。在可预测单体电池SOC的基础上,基于“最弱电池法”提出一种“最特殊电池法”实现不同充放电情况下串联电池组的SOC预测,并给了出详细的推导分析过程。最后,从软、硬件的角度设计电池组的电池管理系统。该系统主要由数据采样、算法执行、保护控制、实时通信、信息存储和数据显示几部分组成,可对电池组提供过充、过放、过流、过温、欠温、短路保护以及充电均衡功能,还可以通过RS485与主机进行通信,利用上位机软件进行参数配置和数据监控。将SOC预测算法搭载到该电池管理系统平台上,验证了单体电池的SOC估算精度和串联电池组的SOC估算精度。