1.一种锂离子电池荷电状态SOC的估算方法，其特征在于，包括以下步骤：S1、建立锂离子电池的等效电路模型，采集开路电压数据与荷电状态数据，基于所述等效电路模型，获取不同状态下的电池模型参数；

S2、基于基尔霍夫定律，通过所述等效电路模型和所述电池模型参数，得到模型状态空间方程；

S3、基于所述模型状态空间方程，通过鲁棒自适应有限差分卡尔曼滤波法对锂离子电池荷电状态进行估算；

所述模型状态空间方程包括状态方程和观测方程；

所述步骤S3具体包括：

S3.1、根据当前电池的荷电状态SOC，计算电池模型参数；

S3.2、状态变量一步预测： 其中， 为状态变量k时刻一步预测值，ik‑1为k‑1时刻工作电流， 为k‑1时刻状态变量最优估计值；

测量矩阵更新： 为k时刻一步预测

观测值，uoc,k|k‑1为k时刻一步预测开路电压值，u1,k|k‑1为k时刻一步预测的一个RC环节端电压值，ik为k时刻工作电流；

Τ Τ

S3.3、预测误差协方差矩阵：Pk|k‑1＝APk‑1|k‑1A +Q，Pk‑1|k‑1为k‑1时刻误差协方差，A 为矩阵A的转置，Pk|k‑1为k时刻误差协方差一步预测值，Q为过程噪声方差；

S3.4、对所述观测方程构造非线性回归模型：其中 为状态一步预测，xk为状态真值，δxk|k‑1为状态一步预测残差，h(·)为非线性观测方程，uk为k时刻电池端电压观测值，vk为测量噪声；

S3.5、随机解耦：

其中 则Zk＝G(xk)+ξk，令ek＝Zk‑G(xk)，R为测量噪声协方差，Pk|k‑1为k时刻误差协方差一步预测值；

S3.6、构造权重矩阵，代入状态预测值，求权重矩阵J，重构观测值，重构后的残差为等价于 则修正后的观测值为S3.7、采用有限差分算法代替非线性函数偏导数，其中，非线性函数h(xk)的偏导数：

令 则：

ε为步长调节系数，i，j表示矩阵的行和列；

S3.8、计算卡尔曼增益：

S3.9、更新状态变量的最优估计值 协方差矩阵Pk|k：其中

S3.10、采用改进的Sage‑Husa自适应滤波算法估计过程噪声协方差：其中 b为遗忘因子；

S3.11、循环步骤S3.1至步骤S3.10，实时估算电池荷电状态SOC值；

所述构造权重矩阵的具体过程为：

定义Huber M方法的代价函数：

其中，ek,i为残差向量的第i个分量，m、n为观测向量与状态向量的维度，函数d(ek,i)的表达式为：其中，γ为调节因子，

定义 令代价函数最小，则

定义j(ek,i)＝M(ek,i)/ek,i，则由构造权重矩阵J＝diag(j(ek,i))。

2.根据权利要求1所述的一种锂离子电池荷电状态SOC的估算方法，其特征在于，所述步骤S1具体包括步骤：

S1.1、通过静置法对满电状态电池进行依次间隔放电并静置的方式采集电池的开路电压；

S1.2、基于最小二乘法拟合所述开路电压与荷电状态的关系，得到所述开路电压与所述荷电状态的函数关系；

S1.3、根据电池脉冲放电瞬间的突变电压值除以突变电流值计算得到欧姆内阻；

S1.4、通过公式 获得电化学极化时间常数τ1、浓差极化时间常数τ2；通过公式 得到电化学极化内阻R1、浓差极化电阻R2，所述电化学极化时间常数τ1与所述电化学极化内阻R1的比值为第一极化电容C1，所述浓差极化时间常数τ2与所述浓差极化电阻R2的比值为第二极化电容C2；其中，u1为第一RC环节的端电压，u2为第二RC环节的端电压，Uoc为电池的开路电压，I为电池的工作电流，u为电池的端电压；

S1.5、根据不同的荷电状态执行所述步骤S1.3和步骤S1.4，得到不同荷电状态下电池模型参数。

3.根据权利要求2所述的一种锂离子电池荷电状态SOC的估算方法，其特征在于，所述拟合具体通过多项式

9 8 7 6 5 4 3

UOC＝a1*SOC+a2*SOC+a3*SOC+a4*SOC+a5*SOC+a6*SOC+a7*SOC+a8*2

SOC+a9*SOC+a10进行拟合。

4.根据权利要求1所述的一种锂离子电池荷电状态SOC的估算方法，其特征在于，所述模型状态空间方程为：uk＝uoc,k‑u1,k‑u2,k‑R0ik+vk；

其中，T为采样周期，R0为电池的欧姆内阻，R1、C1分别为电池的电化学极化内阻和极化电容，R2、C2分别为电池的浓差极化电阻和极化电容，τ1、τ2分别为电化学极化时间常数与浓差极化时间常数，其中，τ1＝R1C1，τ2＝R2C2，u1为第一个RC环节的端电压，u2为第二个RC环节的端电压，uoc为电池的开路电压，i为电池的工作电流，u为电池的端电压，wk‑1为过程噪声，vk为测量噪声，CN为电池额定容量，soc表示电池荷电状态，k代表当前时刻迭代计算步数。