1.一种基于状态噪声矩阵自调节并联电池荷电状态估计方法，其特征在于，包括以下步骤：

步骤一、建立并联电池状态方程和测量方程，步骤二、改进CKF算法对并联电池SOC进行估计，所述CKF算法改进包括建立并联电池单体不同差异状态下状态噪声矩阵调节系数，基于并联电池差异状态的状态噪声矩阵自调节，进行差异状态下的并联电池SOC估计；

所述状态噪声矩阵自调节的方法是离线状态建立不同差异状态并联电池整体容量与状态噪声值间函数关系，再通过在线辩识出并联电池整体容量，把在线辩识出的并联电池整体容量带入离线标定的函数，得到不同差异状态并联电池的状态噪声值；

步骤三、估计方法的验证，通过将改进CKF算法获得并联电池的估计值与相同条件下并联电池的实际值进行比较对步骤二所提出改进CKF算法进行验证。

2.根据权利要求1所述的基于状态噪声矩阵自调节并联电池荷电状态估计方法，其特征在于：所述状态噪声矩阵自调节的方法是将状态噪声值Qadjust替换传统CKF算法中的状态噪声矩阵恒定值Qconst，具体方法如下：离线状态下，基于实车应用的单体电池电特性，选择能够描述该单体电池电特性的最优电池模型；参考实车用电池组结构，建立该结构下的最优并联电池模型；基于随机理论设定并联电池模型中各单体电池差异化状态，可通过设定不同容量和内阻值来表述；基于恒流充放电工况仿真统计不同差异状态并联电池整体容量、端电压及参考SOC值，同时基于传统CKF算法得到相同工况下并联电池端电压及估计SOC值；对比仿真及传统CKF算法得到的端电压及SOC值，基于机器学习算法得到不用差异状态的状态噪声矩阵自调节系数kcof，则Qadjust＝kcofQconst；进一步，建立不同差异状态并联电池整体容量与自调节后的状态噪声值间函数关系Qadjust＝f(QN)；

在线状态下，可通过传统卡尔曼滤波算法及其衍生算法得到实车运行过程中并联电池整体容量QN,act，将其带入函数Qadjust＝f(QN)，即可得到不同差异状态并联电池的状态噪声值Qadjust,act。

3.根据权利要求1所述的基于状态噪声矩阵自调节并联电池荷电状态估计方法，其特征在于，所述步骤二中CKF算法的改进还包括协方差矩阵对角化分解，所述协方差矩阵对角化分解的方法为用对角化变换来替换CKF算法中的Cholesky分解；具体方法如下：T ‑1 T

引入定理：设A为n阶实对称矩阵，则有n阶正交矩阵V，使得V AV＝V AV＝D，即A＝VDV，其中D是A的n个特征值为对角元素的对角阵；

T

将上述定理带入CKF计算步骤可知，协方差矩阵P具有实对称性，根据定理有P＝V DV，其中D是P的n个特征值为对角元素的对角阵，V是由n个特征值对应特征向量所构成的正交矩阵，存在：

则有

由上式可知，在CKF计算过程中，需要求取协方差矩阵P的平方根矩阵时，首先对P进行特征值分解，得到特征根矩阵D与特征向量矩阵V，再利用式(2)求出平方根矩阵S；

协方差矩阵对角化分解可描述为：

[V D]＝eig(Pk|k‑1),式中，k表示采样点1、2、…n，k‑1表示前一个采样点。

4.根据权利要求3所述的基于状态噪声矩阵自调节并联电池荷电状态估计方法，其特征在于，所述步骤三中所述算法验证方法为：通过将改进CKF算法获得的并联电池端电压估计值与相同条件下的并联电池端电压测量值进行比较验证；同时将改进CKF算法获得的并联电池SOC估计值与相同条件下的并联电池SOC理论值进行比较验证；所述算法验证包括常规状态下算法验证及差异状态下算法验证，

所述常规状态下算法验证的方法为设置状态噪声协方差矩阵Q和测量噪声协方差矩阵R初值分别为 和0.05；选取电池单体性能相近单体电池或SOH值相近单体电池并联，实测并联电池端电压并推算其SOC理论值；然后通过改进CKF算法获得的并联电池端电压估计值和SOC估计值；通过将改进CKF算法获得的并联电池端电压估计值与端电压实测值进行比较，同时将改进CKF算法获得的并联电池SOC估计值与SOC理论值进行比较，得出验证结果；

所述差异状态下算法验证分为极端差异状态下验证和一般差异状态下验证，所述极端差异状态下验证分为状态噪声矩阵自调节未启动验证和启动验证两种状态，实测时选择电池单体的SOH值相差为20％；

状态噪声矩阵自调节未启动时，首先通过实测获得极端差异状态下并联电池端电压实测值和SOC理论值；然后按照常规状态下设定的状态噪声协方差矩阵Q初值，得到极端差异状态下通过改进CKF算法获得端电压估计值及SOC估计值；通过将改进CKF算法获得的并联电池端电压估计值与端电压实测值进行比较，同时将改进CKF算法获得的并联电池SOC估计值与SOC理论值进行比较，得出验证结果；

状态噪声矩阵自调节启动时，首先通过实测获得极端差异状态下并联电池端电压实测值和SOC理论值；然后设定状态噪声协方差矩阵Q初值为 得到极端差异状态下通过改进CKF算法获得端电压估计值及SOC估计值；通过将改进CKF算法获得的并联电池端电压估计值与端电压实测值进行比较，同时将改进CKF算法获得的并联电池SOC估计值与SOC理论值进行比较，得出验证结果；

一般差异状态下验证实测时选择电池单体的SOH值相差为10％；首先通过实测获得一般差异状态下并联电池端电压实测值和SOC理论值；然后设定状态噪声协方差矩阵Q初值为得到一般差异状态下通过改进CKF算法获得端电压估计值及SOC估计值；通过将改进CKF算法获得的并联电池端电压估计值与端电压实测值进行比较，同时将改进CKF算法获得的并联电池SOC估计值与SOC理论值进行比较，得出验证结果；

最后结合上述验证结果得出CKF算法改进的估计效果。

5.根据权利要求1或2或3或4所述的基于状态噪声矩阵自调节并联电池荷电状态估计方法，其特征在于，所述状态方程和测量方程可表示为：状态方程：Xk＝f(Xk‑1,uk‑1)+Wk‑1             (3)测量方程：Yk＝h(Xk,uk)+Vk               (4)式中，Xk代表状态值矩阵，Yk为观测值矩阵，uk代表输入控制量，Wk和Vk分别代表状态噪声和测量噪声矩阵，k表示采样点1、2、…n，k‑1表示前一个采样点。

6.根据权利要求5所述的基于状态噪声矩阵自调节并联电池荷电状态估计方法，其特征在于，优化状态方程和测量方程得到最优模型并联电池SOC估计的状态方程及测量方程，具体方法如下：

根据并联电池最优模型选取电池SOC和一阶RC网络的极化电压Up组成一个二维状态向量，再分别选取电池端电压Uk和电流Ik作为观测量和控制量，建立并联电池SOC估计的状态方程及测量方程：

其中， SOCk为电池SOC，R0是电池欧姆内阻，R1及C1分别表示电池极化内阻和极化电容，τ＝R1C1，up,k为最优模型中RC网络对应的极化电压值，QN是并联电池容量，η为电池库伦效率，Uocv,k表示电池开路电压，Ik为电池充放电电流，T代表采样时间。