1.一种基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法，其特征在于，包括：实时获取待检测的锂电池的电流和电压；将获取的电流和电压输入到神经网络联合估计模型中，得到待检测的锂电池SoC估计结果；所述神经网络联合估计模型包括神经网络和锂电池电化学模型；

采用神经网络联合估计模型对输入电流和电压进行处理的过程包括：S1：对输入的电流数据和电压数据进行预处理，得到预处理后的电流数据和电压数据；

S2：根据神经网络和锂电池电化学模型构建神经网络联合估计模型，得到神经网络联合估计模型的离散方程；

S3：采用改进的无迹卡尔曼滤波算法对预处理后的电流数据和电压数据以及神经网络联合估计模型的离散方程进行处理，得到卡尔曼增益；

S4：根据卡尔曼增益对当前时刻神经网络联合估计模型的锂电池参数进行估计，得到当前时刻的锂电池SoC估计；

S5：神经网络联合估计模型根据当前时刻的锂电池参数估计下一时刻的锂电池参数，根据下一时刻的锂电池参数得到下一时刻的锂电池SoC估计。

2.根据权利要求1所述的一种基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法，其特征在于，对输入的电流数据进行预处理包括：判断输入的电流数据是否缺失，若电流数据未缺失，则不对其处理；若电流数据缺失，采用类TCP协议下通过有损网络进行识别的方法对电流数据进行处理，得到无数据缺失的电流数据。

3.根据权利要求2所述的一种基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法，其特征在于，采用类TCP协议下通过有损网络进行识别的方法对电流数据进行处理包括：采用单位时间的延迟识别，然后将本时刻输入视为零，公式为：其中， 表示当前时刻的输入电流，λk表征输入数据是否缺失，Ik表示重构的输入电流数据。

4.根据权利要求1所述的一种基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法，其特征在于，对输入的电压数据进行预处理包括：判断预处理后的电压数据是否缺失，若电压数据未缺失，则输出电压数据；若电压数据缺失，则采用重构缺失数据的方法对缺失电压数据进行处理，输出无数据缺失的电压数据。

5.根据权利要求4所述的一种基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法，其特征在于，采用重构缺失数据的方法对电压数据缺失进行处理包括：设计输出估计器，重构缺少的电压数据，并利用重构的电压数据更新状态变量，具体公式为：其中，zk表示电压测量值的重构数据，yk表示电压的真实测量值，γk表示随机变量用于表征电压数据缺失， 表示计算的电压均值， 表示计算的状态变量均值， 表示更新的状态变量，K表示卡尔曼增益。

6.根据权利要求1所述的一种基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法，其特征在于，根据神经网络和锂电池电化学模型构建神经网络联合估计模型的过程包括：利用BP神经网络对锂电池电化学模型的非线性离散时间状态空间模型进行拟合，其公式为：

其中，SoC(k+1)表示下一个时刻的SoC，Vt(k+1)表示下一个时刻的RC动态电压，SoC(k)表示当前时刻的SoC，Vt(k)表示当前时刻的RC动态电压，TS表示采样时间，C0表示放电系数，Vout(k)表示当前时刻输出电压，Voc(SoC(k))表示开路电压，I(k)表示输入电流；神经网络拟合公式中：θ表示θ1、θ2或θ3的拟合结果，s表示隐藏层神经元个数，I表示当前电流，U表示当前电压，T表示当前温度，ωi1、ωi2、ωi3分别表示输入层权值，ωi表示输出层权值，bi表示输入层阈值，b输出层阈值表示。

采用高阶神经网络对锂电池电化学模型的SoC‑Voc曲线进行拟合，拟合后的SoC‑Voc曲线公式为：

che try sin

其中，N 和N 表示隐藏层神经元个数，Pn(Soc(k))表示切比雪夫多项式，ω 表示切比sin cos

雪夫多项式的权值，ω 表示三角函数多项式权值，ω 表示三角函数多项式权值，Soc(k)表示当前Soc。

7.根据权利要求1所述的一种基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法，其特征在于，神经网络联合估计模型的离散方程为：其中，X(k+1)表示下个时刻的状态量，X(k)表示当前时刻的状态量，θ1和θ2表示原电路部分的神经网络拟合结果，TS表示采样时间，C0表示放电系数，I(k)表示当前时刻电流，Soc(k)表示当前时刻Soc，Vt(k)表示当前时刻的RC部分动态电压， 表示所有神经网络拟合函数的权值， 表示所有神经网络拟合函数的阈值。

8.根据权利要求1所述的一种基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法，其特征在于，采用改进的无迹卡尔曼滤波算法对预处理后的电流数据和电压数据以及神经网络联合估计模型的离散方程进行处理的过程包括：S1：初始化误差协方差矩阵；

S2：采用SVD分解方法分解误差协方差矩阵，获得Sigma采样点；

S3：初始化系统噪声Q；

S4：时间更新，根据Sigma点和系统噪声Q计算状态变量的均值和方差；

S5：测量更新，根据Sigma点和系统噪声Q计算输出变量的均值和方差；根据状态变量的均值和方差以及输出变量的均值和方差计算卡尔曼增益；

S6：滤波器更新，根据状态变量的方差、输出变量的方差、输出变量测量值和卡尔曼增益更新误差协方差矩阵，并返回步骤S1；

S7：采用Sage‑Husa估计器对系统噪声Q进行更新，并返回步骤S3。

9.根据权利要求8所述的一种基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法，其特征在于，采用Sage‑Husa估计器对系统噪声Q进行更新的公式为：其中， 表示更新的噪声方差，Q表示上一个时刻的噪声方差，d(k)与遗忘因子b相关用于调整过去时刻数据的影响，K表示卡尔曼增益，yk表示电压测量值， 表示电压计算值，Pkp表示计算的电流方差，A表示状态转移矩阵，b表示可调的遗忘因子。

10.根据权利要求8所述的一种基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法，其特征在于，对滤波器更新还包括：当电压数据缺失时，误差协方差矩阵停止更新，直接延用上一个时刻的误差协方差矩阵，误差协方差矩阵公式为：T

Pk＝Pkp‑γk·KPYK

其中，Pk表示更新的协方差矩阵，Pkp表示计算的状态变量方差，γk表示随机变量用于表征电压数据缺失，K表示卡尔曼增益，PY表示计算的电压方差。