La estimación precisa del estado de la batería es importante para el funcionamiento de los sistemas de almacenamiento de energía, sin embargo, los métodos existentes luchan con la complejidad y la naturaleza dinámica de las condiciones de la batería. Las técnicas convencionales a menudo no logran extraer de manera efectiva características espaciales y temporales relevantes de los datos básicos de la batería, lo que lleva a una conciencia situacional insuficiente en los sistemas de gestión de baterías. Para abordar esta brecha, proponemos un método de Gemelo Digital Jerárquico y Autoevolutivo (HSE-DT) que mejora la estimación del estado de la batería al coordinar múltiples técnicas de estimación en un marco jerárquico y permitir actualizaciones adaptativas a través del aprendizaje por transferencia. El modelo integra una arquitectura de Red Neuronal Convolucional-Transformador (Transformer-CNN) para procesar datos históricos y en tiempo real, capturando variaciones dinámicas del estado con alta precisión. Las simulaciones indican que los valores del error cuadrático medio (RMSE) para el estado de carga (SOC) y el estado de salud (SOH) son más bajos en comparación con otros algoritmos, siendo inferiores al 0.9% y 0.8%, respectivamente. Su estructura jerárquica permite la integración de diferentes modelos de estimación, y el método autoevolutivo permite que el método se adapte a cambios en diferentes condiciones de operación. Los resultados experimentales muestran que el método puede estimar el estado de la batería con alta precisión y estabilidad, mejorando así la conciencia situacional multifacética.