1.一种自适应GRNN的电动汽车锂离子电池健康状态的估算方法，其特征在于，包括以下步骤：步骤1，基于电池参数自适应预处理算法处理电池数据，并构建数据集：计算电池参数，根据变异系数选择利用改进粒子滤波算法PF处理或选择最小二乘法、均值替换法处理参数，并将处理后的数据划分为训练数据集和测试数据集，在此基础上构建矢量集；

步骤2，利用量子遗传算法QGA优化广义神经网络GRNN中的平滑因子:基于经验设置QGA的迭代次数、种群数和染色体长度，构建QGA中用于选择操作的适度函数，迭代得到最优平滑因子；

步骤3，基于最优平滑因子和相关系数构建GRNN以估算电动汽车锂离子电池健康状态:计算训练矢量参数与容量的相关系数，利用步骤2估算的平滑因子与相关系数构建GRNN模式层的传递函数，以优化后的GRNN估算电动汽车锂离子电池健康状态。

2.根据权利1所述的自适应GRNN的电动汽车锂离子电池健康状态的估算方法，其特征在于，所述步骤1中基于电池参数自适应预处理算法处理电池数据，并构建数据集，包括以下步骤：步骤1.1，计算所有循环的恒流充电时间序列T、恒压放电时间序列D、放电电压骤降值序列V，提取容量计算电池健康状态SOH序列S；

步骤1.2，计算参数序列的变异系数，以恒流充电时间序列T为例，若变异系数则执行步骤1.3，否则执行步骤1.4，其中SDT为T的标准差，MT为T的均值，NSD为变异系数阈值；

步骤1.3，基于改进粒子滤波算法处理参数，假如恒流充电时间序列为T＝{t1,t2,…,tN}，N为最大序列数；估计第k+1时刻值，具体步骤如下:步骤1.3.1，对k时刻的粒子样本重要性采样，得到k+1时刻的粒子样本步骤1.3.2，检测第k+1时刻值tk+1的有效性，若tk+1＝NULL或则进一步判断相邻值是否存在缺失或异常值，若相邻值存在缺失或异常值则更新tk+1＝LT(sk+1)，LT(si)为最小二乘法拟合的T与S的曲线方程，否则采用均值替换法更新步骤1.3.3，更新每个粒子的权值 并进行归一化处理得到

步骤1.3.4，根据粒子权值重采样粒子,将粒子样本映射为等权例子样本；

步骤1.3.5，状态估计

步骤1.4：检测序列值是否存在缺失或异常，若tk＝NULL或则如步骤1.3.2方法更新tk；

步骤1.5，利用步骤1.3或1.4处理后的参数构建样本矢量，从样本空间中随机选择75％的数据作为训练样本，另外25％数据作为测试数据，在此基础上构建矢量集。

3.根据权利1所述的自适应GRNN的电动汽车锂离子电池健康状态的估算方法，其特征在于，所述步骤2中利用量子遗传算法QGA优化广义神经网络GRNN中的平滑因子，包括以下步骤：步骤2.1，初始化种群 其中m为种群规模， 表示第t代种群中第i个个体，且 n为量子编码长度， 为一个量子位编码，根据Q(t)的概率取值情况构建二进制串序列 其中 均为一个长度为n的

二进制串；

步骤2.2，解码 为δ，计算输入参数X与学习样本之间的Gauss函数值，并进行加权求和，如式(1)所示：其中，Xi代表模式层第i个神经元对应的学习样本，yi代表Xi的标签值，m为样本容量；

步骤2.3，构建QGA中用于选择操作的适度函数，QGA在每一代中基于适度函数计算个体适值Eδ，选择适用值最大的个体为当前最优平滑因子，因此构建式(2)作为QGA的适度函数：其中， δj＝δ1,δ2,…,δm，δj表示当代P(t)中第j个解码值，T为转置，式(2)能够使QGA在迭代的

计算中适值Eδ始终非负，且在迭代过程中利用式(2)选择当前最优平滑因子，使遗传向最优平滑因子出现的方向推进；

步骤2.4，解码P(t)中所有个体，并利用式(2)计算适用值，挑选出适用值最大的个体为最优个体；

步骤2.5，判断终止条件是否满足，满足则解码得到最优平滑因子，终止迭代。否则执行灾变进入下一次迭代或利用量子旋转门如式(3)所示更新种群Q(t)，再进行量子交叉、变异更新种群，进入下一次迭代得到更新后的量子位编码其中 为未更新的量子位编码，s(αi,βi)为旋转角方向，Δθi为旋转角大小，s(αi,βi)、Δθi均由经典QGA旋转选择策略确定。

4.根据权利1所述的自适应GRNN的电动汽车锂离子电池健康状态的估算方法，其特征在于，所述步骤3中基于最优平滑因子和相关系数构建GRNN以估算电动汽车锂离子电池健康状态，包括以下步骤：步骤3.1，训练样本特征集为{trx1,trx2,…,trxn}，每一个样本的维度为m，即trxi＝[trxi1,trxi2,…,trxim]，标签集为{y1,y2,…,yn}，每一个标签的维度为k，测试样本集为{tex1,tex2,…,texp}，GRNN输入层将输入的矢量集归一化处理传递给模式层；

步骤3.2，模式层神经元数量设为n，每一个神经元对应训练样本中不同样本，步骤2估算的值作为GRNN的平滑因子，计算m个特征分别与标签的Pearson相关系数cor1,cor2,…,corm，第x个测试样本texx与模式层第j个神经元对应的训练样本trxj进行如式(4)的计算，Pj即为第j个神经元的输出：其中，trxji为trxj的第i个参数，texxi为texx的第i个参数；

步骤3.3，求和层节点数量为k+1，第一个神经元计算模式层所有神经元输出的算术和SD，如式(5)，模式层第g个神经元与求和层第j个神经元连接权值为第g个输出样本yg中第j个参数，余下k个神经元计算模式层输出的加权和SNj，如式(6)所示：trxgi为训练样本特征集trxg的第i个参数，texxi为texx的第i个参；

步骤3.4，输出层神经元数量为k，每个神经元输出结果为Sj，即求和层第j个节点输出SNj与第一个节点输出SD的比值，如式(7)所示：。