1.一种适用于均衡电路的电池能量均衡方法，其特征在于，包括以下步骤：S1：采集均衡电路的电压和电流；

S2：建立二阶等效电路模型，利用AUKF算法对SOC进行估计；

S3：计算不同电池的SOC的差值，判断是否存在一低多高或一高多低的情况；

S4：建立神经网络，若存在所述步骤S3中叙述的情况，则将端电压作为神经网络的输入，判断输出的均衡电流值是否达到均衡阈值；

S5：若不存在所述步骤S3中叙述的情况，则计算每个电池SOC之间的平均值，判断其是否处于0.2‑0.8之间，若处于则将SOC作为神经网络的输入，判断输出的均衡电流值是否达到均衡阈值；若未处于0.2‑0.8之间，则将端电压作为神经网络的输入，判断输出的均衡电流值是否达到均衡阈值；

S6：输出的均衡电流值达到均衡阈值则表明电池能量均衡；

所述步骤S2中的二阶等效电路模型利用2个RC网络分别对浓差极化效应和电化学极化效应进行描述，根据KCL和KVL定律，可以得到电路状态表达式，如下所示：UO(t)＝ROI(t)  (1)其中，UO(t)为欧姆电压，Ue(t)为电化学极化电压，Ud(t)为浓差极化电压；

U(t)＝UOCV(t)+UO(t)+Ue(t)+Ud(t)  (4)其中，U(t)为电池端电压；

利用电流积分法得到电池SOC随时间变化的表达式：其中，SOC0为初始SOC，QN为电池标准电容量，η为电池充放电效率；

将式(2)、(3)和(5)离散化，可得：其中，τ为采样周期，τe＝ReCe，τd＝RdCd；

通过式(6)、(7)和(8)建立离散化的状态空间观测方程，如下所示：其中，w(k‑1)为模型的观测噪声；

模型的离散化状态输出方程如式(10)所示：U(k)＝UOCV(k)+UO(k)+Ue(k)+Ud(k)+v(k‑1)  (10)其中，v(k‑1)为端电压的观测噪声；

所述步骤S2中的AUKF算法首先构造采样点，状态向量X(k)由状态变量SOC(k)、Ue(k)和Ud(k)组成，其表达式如下：T

X(k)＝[SOC(k) Ue(k) Ud(k)]  (11)所述步骤S4中的神经网络包括：模糊化层、模糊规则强度释放层、规则强度归一化层、模糊规则输出层和输出层。

2.如权利要求1所述的一种适用于均衡电路的电池能量均衡方法，其特征在于，所述步骤S2中利用AUKF算法对SOC进行估计的步骤为：S21：对非线性系统初始化：

S22：构造2n+1个采样点集并进行非线性转换：S23：计算迭代运算过程中的权值为：‑4

其中， 为一个尺度参数，α表示采样点在 周围的分布，即1>α>e ；一(m) (c)

般取值为 β用来整合X先验估计，一般选取其值为2；Wi 和Wi 分别为计算第i个采样点的均值和协方差所用的加权因子；

S24：计算2n+1个采样点集的一步预测为：i

X(k‑1)＝f(Xi,k‑1),i＝0,1,…2n  (16)S25：AUKF算法中的时间更新为：S26：AUKF算法中的测量更新为：S27：电池状态变量和协方差估计为：S28：自适应性定律协方差匹配：其中，Q(k)为模型噪声w(k)的协方差，R(k)为端电压测量v(k)的协方差。

3.如权利要求1所述的一种适用于均衡电路的电池能量均衡方法，其特征在于，所述模糊化层的输入量为2个，分别为SOC差值和SOC平均值，可以表示为：其中，SOCi为均衡单元左侧m个单体电池中第i个电池的SOC值，SOCj为均衡单元右侧n个电池中第j个电池的SOC值，ΔSOC表示均衡单元左右两侧的SOC平均值的差值，SOCavg表示均衡单元两侧的SOC的平均值；

根据所选电池特性定义两个输入量的论域范围，并分别命名为A和B，其中基于SOC的模糊神经网络两个输入量ΔSOC的论域为[0,0.6]，SOCavg的论域为[0,1]；基于端电压的模糊神经网络两个输入量中ΔV为[0,1]，Vavg为[2.6,4.2]；考虑电池组的不均衡状态及电池特性，将两个输入量的论域分为5个模糊集合，分别为VS、S、M、L和VL，确定了每个输入量的隶属度函数个数；所述隶属度函数类型均为高斯函数，其表达如下：其中，a为隶属度函数的中心，b为隶属度函数的宽度，a与b作为模糊神经网络的前件参数，通过数据库训练学习获得；

将输入量ΔSOC/ΔV和SOCavg/Vavg分别定义为x1和x2：得到第一层的输入输出表达式：其中， 为输入量x1的第i个隶属度函数， 为数量x2的第j个隶属度函数。

4.如权利要求1所述的一种适用于均衡电路的电池能量均衡方法，其特征在于，所述模糊规则强度释放层将第一层输入量的输出值两两相乘，得到第二层的输出值，因此由第一层的输出值可确定本层节点为25个，本层的输入输出表达式为:其中，ωk代表其中一条模糊规则的激活强度。

5.如权利要求1所述的一种适用于均衡电路的电池能量均衡方法，其特征在于，所述规则强度归一化层计算每一条模糊规则的激活强度的比重，其输出表达式为：

6.如权利要求1所述的一种适用于均衡电路的电池能量均衡方法，其特征在于，所述模糊规则输出层用于计算每个模糊规则的输出，计算表达式如下：其中，pk、qk和rk作为模糊神经网络的后件参数，通过训练获得。

7.如权利要求1所述的一种适用于均衡电路的电池能量均衡方法，其特征在于，所述输出层用于计算输出的均衡电流值Ieq，计算表达式如下：