1.一种基于改进灰狼优化算法的RBF神经网络的锂离子电池SOH估计方法，其特征在于，包括以下步骤：步骤S1、数据采集：

对任意锂电池进行n次充放电，并记录充放电过程中锂电池的电流、电压、温度、时间数据以及每次放电完全的容量；

k

步骤S2、以第k次充电过程的恒流充电时间f1 、恒压充电时间 增量容量曲线的峰值k kf3及峰值f3对应位置 作为第k次输入特征向量为 以第k次锂电池的

1 2 k n

真实健康状态值SOH作为输出值 由输入特征矩阵F＝[F ；F ；…；F ；…；F]和输出向量构成训练集；

步骤S3、构建改进RBF神经网络，并基于所述训练集，采用改进灰狼优化算法优化网络中的参数；

步骤3.1、利用式(1)构建改进的RBF神经网络：

式(1)中，wi表示RBF神经网络中第i个隐含层节点与输出节点的连接权值，则RBF神经网络中所有隐含层节点与输出节点的连接权值构成的向量记为w，ci表示RBF神经网络中第i隐含层节点处激活函数的中心点，则RBF神经网络中所有隐含层节点处激活函数的中心点构成的矩阵记为c，Φ是线性多项式的系数，h表示隐含层节点的数量；g(F‑ci)为隐含层的激活函数，并由式(2)得到：式(2)中，σi是RBF神经网络中第i隐含层节点的方差参数；则RBF神经网络中所有隐含层节点的方差参数构成的向量记为σ；

步骤3.2、通过改进灰狼优化算法对改进RBF神经网络的五种参数[σ,c,w,Φ,h]进行寻优：步骤3.2.1、定义当前迭代次数为t，并初始化t＝1；

定义并初始化改进灰狼算法中的各个参数，包括：狼群的大小M，最大迭代次数T，搜索空间维度D及第t代系数向量at；

步骤3.2.2、随机初始第t代灰狼种群{Xj(t)|j＝1,2,…,M}，其中，Xj(t)表示第t代第j个灰狼个体的方向向量，且每个灰狼个体的方向向量均为改进RBF神经网络中的五种参数；

步骤3.2.3、利用式(3)计算第t代灰狼种群中第j个灰狼个体的适应度函数值finessj(t)，从而得到第t代灰狼种群中每个灰狼个体的适应度函数值；

式(3)中， 和Yk分别为SOH的真实值和拟合值，λ是参数；

步骤3.2.4、对第t代灰狼种群中每个灰狼个体的适应度函数值进行升序排序，找出适应度函数排名前三的灰狼个体分别记为α(t)、β(t)、γ(t)，并将第t代灰狼个体α(t)的方向向量记为Xα(t)、第t代灰狼个体β(t)的方向向量记为Xβ(t)、第t代灰狼个体γ(t)的方向向量记为Xγ(t)；

步骤3.2.5、利用式(4)确定第t+1代中最优灰狼个体的方向向量X(t+1)：式(4)中：Gauchy(0,1)表示一个均值为0，方差为1的随机数；

步骤3.2.6、利用式(5)更新第t代系数向量at：式(5)中：rand表示(0，1)之间的随机数；

步骤3.2.7、将t+1赋值给t后，判断t＞T是否成立，若成立，则输出第T代最优灰狼个体* * * * *的方向向量，并作为优化后的改进RBF神经网络的最优参数[σ,c ,w ,Φ ,h]，否则，转向步骤3.2.3顺序执行；

* * * * *

步骤S4、保存最优参数[σ,c ,w ,Φ ,h]所对应的RBF神经网络并作为SOH估计模型；用于对输入的任一特征矩阵进行健康状态值SOH估计。