1.一种电池SOC估算方法，其特征在于，包括：构建神经网络模型，所述神经网络模型包括电池SOC预测模型和钳制预测模型，均采用RBF神经网络模型；

所述电池SOC预测模型以电池数据作为输入，以SOC预测值作为输出；

当静置电压回升时，再进一步通过所述钳制预测模型对SOC预测值进行修正，所述钳制预测模型以电池数据和电池静置前的电池SOC预测模型输出的SOC预测值作为输入；

所述电池数据包括电池的电压、电流和温度，静置电压是否回升根据电池的前后电压值进行判断；

采用混沌初始化及Levy飞行改进的蜉蝣算法，对电池SOC预测模型与钳制预测模型进行模型参数优化；

所述模型参数优化包括：

(2.1)混沌映射初始化径向基函数的中心、宽度和连接权值，混沌映射公式如下：(2.2)初始化种群；将种群数量设置为N，分组数目设置为D，最大迭代次数为Maxiter；

(2.3)创建组生成雌性和雄性蜉蝣种群，计算所有成员的适应度，公式如下：I

其中，I

(2.4)通过蜉蝣适应度进行位置更新，位置更新公式通过Levy飞行改进，改进公式如下：v＝rand*1

其中，

(2.5)雄性蜉蝣的自适应移动公式如下：其中，

(2.6)雌性蜉蝣向配偶移动，若配偶弱于自己则自行搜索，公式如下：其中，

(2.7)蜉蝣交配公式如下：

offspring1＝L*male+(1-L)*femaleoffspring2＝L*female+(1-L)*male其中，offspring1表示雄性子体；L为随机数，取值范围为(0,1)；male为雄性蜉蝣，female为雌性蜉蝣；offspring2表示雌性子体；

(2.8)如果达到终止标准，则输出得到的最优解作为优化模型的参数，否则，转至步骤(2.3)。

2.根据权利要求1所述的电池SOC估算方法，其特征在于，所述神经网络模型进行SOC预测的输出公式为：H(i,u,t,y)＝Min[K

其中，H(i,u,t,y)表示最终预测结果，i表示电池电流，u表示电池电压，t表示电池温度，y表示电池SOC预测模型的输出；K

3.根据权利要求1所述的电池SOC估算方法，其特征在于，RBF神经网络模型的输出层，公式如下：其中，y

4.根据权利要求1所述的电池SOC估算方法，其特征在于，RBF神经网络模型的适应度函数，公式如下：其中，E表示神经网络的输出误差，m表示子集测试样本个数，n表示输出的样本数或分类数，x表示输入样本，y表示子集中第i个个体实际输出值，h表示隐含层的结点数，w

5.一种电池SOC估算系统，包括存储器和处理器，存储器中存储有计算机程序，其特征在于，当所述计算机程序被所述处理器执行时，实现权利要求1至4中任一项所述的电池SOC估算方法。

6.一种电池管理系统，其特征在于，包括：检测单元，用于监测电池数据；

权利要求5所述的电池SOC估算系统，用于根据电池数据对电池SOC值进行预测，得到对应于SOC预测值的电池余量；

逆变器，用于将电池直流电转化为交流电输出到负载；

电池安全装置，用于根据电池数据检测电池组是否故障，若发生故障，则断开继电器；

继电器，用于控制电池通断；

以及，控制模块，用于获取电池数据和电池余量预测值，当电池余量低于20％时，控制逆变器限制最大输出电流；当电池余量达到极限值0％时，通过电池安全装置断开继电器。

7.根据权利要求6所述电池管理系统，其特征在于，电池数据包括电流、电压和温度，通过预设的电流阈值、电压阈值和温度阈值，确定电池组是否故障。

8.根据权利要求7所述电池管理系统，其特征在于，还包括显示模块，用于显示电池数据、电池数据对应的阈值数据，以及SOC预测值、电池余量和故障信息；当电池余量低于20％时，还显示电量警报提示信息。