1.一种并联型电池系统建模方法，所述并联型电池系统是由N个电池串通过并联而成，每个电池串由M个电池单体通过串联而成，其中N、M为大于1的自然数，所述建模方法包括以下步骤：S1、根据已知电池单体模型参数，结合并联电路工作特性，建立并联型电池系统基本模型；

S2、利用在线检测到的电池系统中各支路电流I1～IN与电池系统总电流IP的1/N，获得电池系统各支路电流偏差值ΔI1～ΔIN，即 式中，i为大于1小于等于N的自然*数，再与电池系统端电压在线检测值Up共同作为SOC校准器的输入，经SOC校准器后得到电池系统荷电状态补偿值ΔSOCC；所述的SOC校准器包括故障判别器、不一致性判别器及BP神经网络模块，其中故障判别器输出后连接不一致性判别器，不一致性判别器后连接BP神经网络模块；所述的不一致性判别器包括电流均值计算模块和N路比较器；

S3、根据并联型电池系统模型，结合电池系统模型的端电压预测值UP及电池系统端电压*在线检测值Up，再利用扩展卡尔曼滤波法得到电池系统荷电状态预测基值SOCE；

S4、将电池系统荷电状态预测基值SOCE与由SOC校准器产生的电池系统荷电状态补偿值ΔSOCC进行叠加，得到校准后的电池系统荷电状态SOCr；

S5、利用校准后的SOCr结合并联型电池系统基本模型，建立并联型电池系统模型，如此循环，获得准确的并联型电池系统模型。

2.根据权利要求1所述的一种并联型电池系统建模方法，其特征在于，所述的电池系统荷电状态补偿值ΔSOCC产生步骤如下：(1)以电池系统各支路电流离线数据I1～Ik为输入，k为大于1小于等于N的自然数，在故障判别器中，首先判断Ik是否等于0，若等于0，表明第k个支路的电流数据为故障数据，剔除第k个支路电流数据，若不等于0，则进行下一步；

(2)在不一致性判别器中，判断各支路电流Ik是否都符合一致性要求，若都符合，则ΔSOCC＝0，即SOCr＝SOCE，否则进行归一化处理；

(3)将归一化后的数据作为神经元的输入，进行神经网络训练，根据输出值与期望值ΔSOCC的误差，修改神经元之间的权值阈值，建立BP神经网络模型，得到SOC校准器；

*

(4)将电池系统各支路电流偏差值ΔI1～ΔIN与端电压在线检测值Up作为SOC校准器的输入，经SOC校准器后得到电池系统荷电状态补偿值ΔSOCC。

3.根据权利要求2所述的一种并联型电池系统建模方法，其特征在于，在步骤(2)中，所述的不一致性判别器中判断是否都满足一致性要求的方法为：先是将电池系统各支路电流离线数据I1～Ik通过电流均值计算模块，得到电池系统支路电流均值 即再通过N路比较器，比较各支路电流Ik与支路电流均值 的差值是否都小

于等于0.1，若都小于等于0.1，则ΔSOCC＝0，即SOCr＝SOCE；否则进行归一化处理。

4.根据权利要求2所述的一种并联型电池系统建模方法，其特征在于，在步骤(3)中，所述的BP神经网络流程如下：

1)参数初始化，对权值矩阵W、V设置为0到1之间的随机数，样本模式计数器p＝1，学习效率η取定(0,1)小数，并且网络目标误差Emin为数值小的正数；2)输入当前训练样本Xp，算出隐含层向量Y和输出层向量Z各个参数；3)计算网络输出误差，样本数为100，dp为输出层P节点差值，则第P个样本的网络误差E 由式 而得，网络总误差E由式

而得；4)计算输出层和隐含层误差；5)得出权值矩阵W、V各分量；6)若p

5.根据权利要求2所述的一种并联型电池系统建模方法，其特征在于，在步骤(2)中，所述的归一化函数为式中，xn为电池系统电压、电流离线数据，yn为归一化后数据，max(x)、min(x)为对应变量数据中的最大值、最小值。

6.根据权利要求1所述的一种并联型电池系统建模方法，其特征在于，所述的利用扩展卡尔曼滤波算法预测电池系统荷电状态基值SOCE，其递推步骤为：1)设置初始值；2)计算状态变量预估计值；3)计算电池系统端电压；4)比较电池系统端电压实际值和计算得到的电池系统模型输出电压值，得到电压差值；5)计算误差协方差矩阵；6)计算卡尔曼滤波的校正增益；7)状态变量优化估计；8)输出SOCE。

7.根据权利要求1所述的一种并联型电池系统建模方法，其特征在于，所述的并联型电池系统模型为含2个RC并联电路的二阶等效电路模型。

8.根据权利要求1所述的一种并联型电池系统建模方法，其特征在于，所述的建模方法不仅适用于并联型电池系统，也可应用于并联型电池模块或电池串。