1.一种新能源电车锂电池的荷电状态预测方法，其特征在于，包括以下步骤：(1)对预先获取的新能源电车锂电池数据进行预处理，并运用连续时间空域特征提取算法对预处理过的锂电池数据进行特征参数提取；

(2)采用基于特征选择的信息增益法对步骤(1)提取的特征参数进行特征分类，将与新能源车辆锂电池SOC有关的参数分类出来；

(3)运用基于随机森林的递归特征消除方法对步骤(2)分类后的特征参数进行特征选择得到最优特征子集；

(4)利用光学显微镜算法对D-KNN模型的超参数进行优化；

(5)利用D-KNN模型对电池电荷状态进行预测，将步骤(3)得到的最优特征子集输入到优化后的D-KNN预测模型中，得到电池电荷状态的预测结果；

步骤(1)所述的运用连续时间空域特征提取算法进行锂电池数据特征参数提取的实现过程如下：将锂电池数据对应到相应空间格中，对数据进行坐标转换，坐标变换就是将目标锂电池的电流和电压转换到空域网格坐标中；锂电池数据集合为T以选定的电流为x轴，以电压为y轴，两者交点为原点，建立笛卡尔坐标系；将锂电池数据集合Tx

y的坐标为：

y

其中，K

构建空间格数据储存矩阵，设空间格矩阵为H，h为防止数据过于密集，而导致出现整体数据占用网格较宽的情况，只保留最能表达最密集数据规律的网格；将保留的单元格h根据t

所述步骤(4)利用光学显微镜算法对D-KNN模型进行优化实现过程如下：获得最有超参数，超参数包括高斯权值参数a首先对光学显微镜算法相应参数初始化，公式如下：x

其中，问题维度u＝1,2,…U；种群规模w＝1,2,…W；x第一阶段即物镜放大阶段，种群个体位置更新公式如下：其中，r是当前迭代次数，

第二阶段即目镜放大阶段，种群个体位置更新公式为：M表示变量取值在[0,1]之间的随机向量，sp是一个供搜索的范围：更新后的位置与原位置进行对比，选择一个较好的位置，此时的放大倍数就是最佳放大目镜倍数；此时种群个体经过物镜和目镜放大并与原先位置进行对比后得出的位置，就是最佳位置；

将D-KNN模型的超参数高斯权值参数、候选邻居数分别输入进光学显微镜算法中进行迭代优化，分别经过上述步骤物镜放大对比和目镜放大对比后得出的最佳位置，即最佳适应度值，就是该D-KNN模型用来预测锂电池SOC的最佳超参数。

2.根据权利要求1所述的一种新能源电车锂电池的荷电状态预测方法，其特征在于，步骤(1)所述的新能源电车锂电池数据包括锂电池充放电电流与电压在内的内部因素和与时间、地点、温湿度在内的外部因素数据。

3.根据权利要求1所述的一种新能源电车锂电池的荷电状态预测方法，其特征在于，步骤(2)所述新能源车辆锂电池SOC有关的参数为锂电池充放电电流、电压、电池循环次数、温度。

4.根据权利要求1所述的一种新能源电车锂电池的荷电状态预测方法，其特征在于，所述步骤(2)实现过程如下：定义特征参数数据集为H″＝{a

其中，E

针对不同的特征参数，计算在该特征参数条件下对分类条件熵值：其中，f

计算不同特征数据的增益值：

GI(Y|H″)＝QS-QS(Y|H″)；

根据不同特征参数的增益值排名，从中选择出排名为前z的参数，得出经过特征分类后的新能源电车锂电池数据集为：

5.根据权利要求1所述的一种新能源电车锂电池的荷电状态预测方法，其特征在于，所述步骤(3)实现过程如下：样本数量为4z，采用bootstrap抽样有放回地随机抽取v个样本子集，并构建v棵回归树，每次抽样后的袋外数据为v；生成的v棵回归树集成为RF模型，使用袋外数据v预测的残差均方MSE评价RF的效果，MSE的计算公式如下：其中，C

6.根据权利要求1所述的一种新能源电车锂电池的荷电状态预测方法，其特征在于，所述步骤(5)实现过程如下：设定K值在[1，40]之间，不给予固定值；

将锂电池数据集

其中，K为针对每一类锂电池数据的最优K值；

其中，K