1.一种基于卡尔曼滤波框架估算电池SOC的自适应优化方法，其特征在于，建立电池二阶RC等效电路模型，对电池二阶RC等效电路模型的参数进行辨识，然后对扩展卡尔曼滤波算法加入自适应优化策略，将自适应优化后的扩展卡尔曼滤波算法应用于电池SOC估算。

2.如权利要求1所述的基于卡尔曼滤波框架估算电池SOC的自适应优化方法，其特征在于，所述自适应优化策略为：设

如果(Δk-Δk-1＜0)

否则(Δk-Δk-1＝0)

Rk＝Rk-1

否则(Δk-Δk-1＞0)

其中Δk为k时刻观测量与观测方程估计的差值，zk为电池在k时刻的观测量， 为电池在k时刻的状态先验估计，Rk为k时刻观测方程噪声方差。

3.如权利要求2所述的基于卡尔曼滤波框架估算电池SOC的自适应优化方法，其特征在于，所述自适应优化后的扩展卡尔曼滤波算法应用于电池SOC估算的具体过程为：(1)建立电池的状态方程和观测方程

其中： xk表示模型的状态变

量，时间常数τ1＝R1C1、τ2＝R2C2，η为库伦效率，Ik-1表示k-1时刻实际的电流，f(SOCk)表示开路电压UOC与SOC函数关系，R0为电池欧姆内阻，R1,R2为电池电化学极化内阻和浓差极化内阻，U1为电化学极化电压，U2为浓差极化电压，C1,C2为电池电化学极化电容和浓差极化电容，ωk为状态方程噪声，γk为观测噪声；

(2)对算法参数x0、P0、R0进行初始化

x0＝[1 0.01 0.01]T

R0＝0.5

(3)对状态和状态协方差进行先验估计

xk-＝f(xk-1)

其中： 为电池在k时刻的状态先验估计，xk-1为电池在k-1时刻的状态量， 为k时刻系统状态协方差先验估计，A为非线性系统中f(x)在xk-处的偏导，Pk-1为k-1时刻系统状态协方差矩阵，Q为系统状态方程噪声方差；

(4)根据观测量与观测方程估计的差值Δk以及自适应优化策略来计算观测噪声方差；

Rk＝Rk-1

(5)计算卡尔曼增益系数

其中：Kk为k时刻卡尔曼增益系数矩阵，H为非线性系统h(x)在xk-处的偏导，R为系统观测方程噪声方差；

(6)根据卡尔曼增益系数来修正状态和状态协方差的先验估计其中：I为单位矩阵，Pk为k时刻系统状态协方差矩阵。

4.如权利要求3所述的基于卡尔曼滤波框架估算电池SOC的自适应优化方法，其特征在于，所述开路电压UOC与SOC函数关系为：

5.如权利要求1所述的基于卡尔曼滤波框架估算电池SOC的自适应优化方法，其特征在于，所述扩展卡尔曼滤波可用无迹卡尔曼滤波或容积卡尔曼滤波替换。

6.如权利要求1所述的基于卡尔曼滤波框架估算电池SOC的自适应优化方法，其特征在于，所述对电池二阶RC等效电路模型的参数进行辨识建立Simscape参数辨识模型，以电流为Simscape参数辨识模型输入、电压为Simscape参数辨识模型输出，同时加入解算器模块来配置模型仿真的求解方式。