1.基于数据和模型滤波融合的锂电池荷电状态估计方法，其特征在于，所述方法包括以下步骤：

1)根据锂电池脉冲充放电数据，所述锂电池脉冲充放电数据包括电池端电压、电流和表面温度，使用非线性最小二乘法离线辨识出锂电池的欧姆内阻R0、极化内阻R1、R2和极化电容C1、C2，基于此参数，建立锂电池的二阶RC等效电路模型；

2)根据传感器测得的母线电流和表面温度，得到传感器测量电压UdSensor和模型计算电压UdModel，扩展卡尔曼滤波不断将两个电压数据权重重新分配，最后输出状态变量SOCEKF；

3)以传感器采集的数据为输入，传感器采集的数据包括母线电流、单体电压和表面温度，电池SOC为输出，建立电池数据库，使用LSTM神经网络进行训练；根据训练的验证集误差，更新PSO的粒子状态信息，再更新LSTM参数，最后以PSO寻优后的LSTM输出SOCLSTM；

4)将扩展卡尔曼滤波估计的SOCEKF、PSO‑LSTM估计的SOCLSTM和室温作为输入，SOC作为输出，使用LSTM神经网络进行二次训练，输出最终结果SOCmix；

步骤4)中，将扩展卡尔曼滤波与LSTM融合估计SOC的步骤包括：以传感器测得的电流、电压、温度为输入，经过EKF及PSO算法优化后的LSTM模块，分别得到两个模块的SOC估计值SOCEKF、SOCLSTM，再将环境温度、SOCEKF和SOCLSTM作为第二个LSTM的输入，输出联合估计结果SOCmix，再将SOCmix作为EKF的系统状态预设值，以此循环迭代。

2.根据权利要求1所述的基于数据和模型滤波融合的锂电池荷电状态估计方法，其特征在于，步骤1)中，所述使用非线性最小二乘法离线辨识出锂电池的欧姆内阻R0、极化内阻R1、R2和极化电容C1、C2的步骤包括：(1)使用非线性最小二乘法离线辨识锂电池模型参数，电池模型采用二阶RC等效电路模型；由Thevenin原理，得三元锂电池状态转移方程组；

其中，上式中，U1,U2分别为电化学、浓差极化电压，Id为三元锂电池母线电流，η为充放电效率，t为充放电时间，Qn为电池可用容量，SOC(t)为当前时刻电池荷电状态；

设传感器采样周期为Ts，对上式进行离散化得：

(2)使用非线性最小二乘法离线辨识锂电池模型参数，离线参数辨识在零输入响应和零状态响应分别进行，零输入响应即在没有外加激励时，仅由t＝0时刻的非零初始状态引起的响应，零输入响应取决于初始状态和电路特性，随时间按指数规律衰减；零状态响应即电路在零初始状态下由外施激励引起的响应；零状态响应、零输入响应的电压变化表达式和内阻计算公式如下：其中，ups、upI分别为零状态响应和零输入响应时的电压变化量，uC1、uC2分别为两个RC电路的电压变化量，i为母线电流，t为状态持续时间，τ1、τ2分别为两个RC电路的充放电时间常数，ud1、ud2分别为零输入响应的初始电压值，ΔU为电流加载/撤去瞬间的压降/压升。

3.根据权利要求1所述的基于数据和模型滤波融合的锂电池荷电状态估计方法，其特征在于，步骤2)中，使用扩展卡尔曼滤波得到SOC估计值SOCEKF的步骤包括：EKF分为初始化和循环计算两个环节，其中，循环计算环节又包括预测方程、状态不确定性方程、卡尔曼增益和矫正方程步骤；

(1)初始化步骤如下：

其中，E为单位矩阵， 为初值状态矩阵，X0为状态初值， 为初值的误差协方差值；

(2)循环步骤如下：

(a)预测方程：

其中， 为当前状态预测值，f为非线性方程， 为前一次的状态值，Uk‑1为前一次的系统输入值；

(b)协方差估计方程：

上式中， 为协方差估计值， 为状态矩阵，∑ω为输入噪声；

(c)卡尔曼增益方程：

其中，Lk为卡尔曼增益， 为观测矩阵，∑v为观测噪声，增益越大，EKF的修正幅度越大；

(d)矫正方程：

其中，Zk为输出观测向量，g为非线性方程，Yk为测量残差，测量残差用于衡量测量值与预测值的偏差；

(e)状态不确定性方程：

重复步骤(a)‑(e)循环计算； 即为扩展卡尔曼滤波估计的SOC值。

4.根据权利要求1所述的基于数据和模型滤波融合的锂电池荷电状态估计方法，其特征在于，步骤3)中，使用PSO寻优后的LSTM得到SOC估计值SOCLSTM的步骤包括；

(1)LSTM通过控制遗忘、输出和输入门，使自循环的权重始终动态变化，在模型参数不变的条件下，动态变化不同时刻的积分尺度；

在信息传递的过程中，首先通过遗忘门经sigmoid函数决定遗忘信息ft，如下式所示：ft＝σ(Wf[Ht‑1,xt]+bf)；

其次通过输入门，分别经sigmoid和tanh函数决定储存信息，如下式所示：it＝σ(Wi[Ht‑1,xt]+bi)；

最后，经过输出门更新细胞隐藏状态Ht，公式如下所示：

ot＝σ(Wo[Ht‑1,xt]+bo)；

Ht＝ot×tanh(Ct)；

上式中，Wf,i,c,o为各阶段的权重，bf,i,c,o为每一项的偏置量，Ct‑1、Ct分别为上一时刻与当前时刻的细胞状态，Ht‑1、Ht分别为上一时刻与当前时刻的输出；

(2)使用粒子群优化算法解决LSTM参数寻优的问题；

PSO算法基本公式如下：设在d维区域粒子群包含m个粒子，第i个粒子位置矢量第i个粒子速度矢量 第i个粒子个体最优位置粒子群全局最优位置

xi个体最优位置由以下方程决定：

第i个粒子在第t次迭代时，速度矢量和位置矢量更新方程：上式中，ω为惯性系数，影响PSO的寻优能力，ω越小，局部寻优能力越强；ω越大，全局寻优能力越强，c1、c2为PSO的学习因子，取c1＝c2＝2；r1、r1为(0,1)范围内相互独立的随机数，达到最大迭代次数后寻优结束。