1.一种电动汽车电池组充放电控制方法，其特征在于，该方法包括以下控制内容：当电池组在荷电状态大于设定阈值时，采用基于动态平衡点的控制策略保持电池组同步放电；

当电池组在荷电状态小于设定阈值且车辆爬坡角度小于设定阈值时，采用基于电动汽车工作状态的决策树控制算法，独立控制各电池的充放电状态；当电池组在荷电状态小于设定阈值且车辆爬坡角度大于设定阈值时，综合考虑路况、电池荷电状态和车辆工作状态因素，利用基于模糊商空间的属性权重确定算法确定各因素的权重并据此确定电池参与供电的权重，使电池协同工作；运用基于羚羊神经网络的动力电池SOC估计方法，分析处于放电状态的电池寿命，当低于安全阈值时予以更换。

2.根据权利要求1所述的电动汽车电池组充放电控制方法，其特征在于：所述采用基于动态平衡点的控制策略是：采用PI控制器调节单个电池电压和平衡电压之间的差值，使两个单个电池达到电压平衡状态。

3.根据权利要求1所述的电动汽车电池组充放电控制方法，其特征在于：所述的基于电动汽车工作状态的决策树控制算法是，以电动汽车行驶过程中的加速度正负值作为决策树算法中的决策节点，两个决策节点又根据电动汽车的行驶状态分别分裂为两个叶节点，分别对应电动汽车的加速状态、爬坡状态、减速状态和下坡状态，以此独立控制电池工作于只充和只放状态：当电动汽车处于加速或爬坡状态时，对单体电池进行大电流放电；当电动汽车处于减速或下坡状态时，对单体电池快速充电实现制动能量回收。

4.根据权利要求3所述的电动汽车电池组充放电控制方法，其特征在于：所述的利用基于模糊商空间的属性权重确定算法确定各因素的权重并据此确定电池参与供电的权重，包括以下步骤：(31)数据标准化，采用极差变化法获得规范化数据：

(32)依据步骤(31)得到的规范化数据建立样本集的模糊相似矩阵并创建具有分层递阶结构的商空间族，所述商空间族是指各原始样本数据经规范化后得到的数据集合，所述原始样本数据包括路况、电池荷电状态和车辆工作状态，所述模糊相似矩阵中的元素rij为：式中，同式(4)中，y′ik、y′jk为采用极差变化法规范化后的数据，m为商空间族中样本数据总和，k为从1到m的取值；同时对数据集中的连续属性进行离散化处理；然后计算删除每个属性后的等价类U/ind(C-{ak})，式中U为全部数据的集合，C为条件属性集，ak为条件属性，ak∈C；

(33)以商空间族所形成的样本空间为基础，对样本进行聚类，计算出各样本的属性重要度，设D为决策属性集，计算条件属性ak关于D的重要度为sig(ak，C，D)＝γ(C，D)-γ(C-{ak}，D)，其中γ(C-{ak}，D)表示C中缺少属性ak后，条件属性集对决策属性集的依赖程度；

γ(C，D)表示条件属性集C对决策属性集D的依赖程度；

(34)归一化处理属性重要度，得到路况、电池荷电状态和车辆工作状态分别对应的各属性最终权重；

(35)根据步骤(34)所得各属性最终权重确定电池参与供电的权重，设路况权重为α，当上坡爬坡角度大于设定阈值时，SOC较大的电池参与供电权重为(1-α)，SOC较小的电池参与供电权重为α，SOC较大的电池辅助SOC较小的电池放电；下坡爬坡角度大于设定阈值时，SOC较小的电池参与供电权重为(1-α)，SOC较大的电池参与供电权重为α，SOC较小的电池辅助SOC较大的电池充电。

5.根据权利要求1所述的电动汽车电池组充放电控制方法，其特征在于：所述的基于羚羊神经网络的动力电池SOC估计方法，是采用实数编码的方式对电池组电池SOC测试样本进行编码作为羚羊个体，采用BP神经网络训练羚羊个体的适应度得到适应度值最大个体，进行电池组SOC估算。

6.根据权利要求5所述的电动汽车电池组充放电控制方法，其特征在于，所述的基于羚羊神经网络的动力电池SOC估计方法包括以下步骤：(41)建立BP神经网络，所述网络由输入层N、隐含层H和输出层O组成，对电池组电池SOC测试样本进行编码作为羚羊个体形成训练集；

(42)参数初始化

构建BP神经网络的网络参数，包括训练次数、初始权值、训练误差和初始阈值；设置羚羊算法的初始值，包括羚羊数目n、随机步长α、最大吸引度因子β0和最大迭代次数T，算法开始前，在可行区域内随机初始所有个体位置；

(43)计算羚羊个体的适应度，f(x)为隐含层的激励函数，x为输入的羚羊个体的适应度，f(x)的表达式为：(44)确定羚羊个体间吸引度和相对距离；

(45)根据羚羊个体间的适应度值，进行位置移动更新；其中n为羚羊个体适应度对应的隐含层激励函数f(x)的值，输出层的激励函数g(n)表达式为：(46)当迭代次数达到最大或训练误差收敛，结束迭代，否则返回上一步；

(47)将羚羊最优位置向量映射给BP神经网络，作为BP神经网络的初始权值和阈值；

(48)利用BP神经网络，得到适应度值最大个体，进行电池组SOC估算。