1.基于数据和模型滤波融合的锂电池荷电状态估计方法，其特征在于，所述方法包括以下步骤：

1)根据锂电池脉冲充放电数据，所述锂电池脉冲充放电数据包括电池端电压、电流和表面温度，使用非线性最小二乘法离线辨识出锂电池的欧姆内阻R

2)根据传感器测得的母线电流和表面温度，得到传感器测量电压U

3)以传感器采集的数据为输入，传感器采集的数据包括母线电流、单体电压和表面温度，电池SOC为输出，建立电池数据库，使用LSTM神经网络进行训练；根据训练的验证集误差，更新PSO的粒子状态信息，再更新LSTM参数，最后以PSO寻优后的LSTM输出SOC

4)将扩展卡尔曼滤波估计的SOC步骤4)中，将扩展卡尔曼滤波与LSTM融合估计SOC的步骤包括：以传感器测得的电流、电压、温度为输入，经过EKF及PSO算法优化后的LSTM模块，分别得到两个模块的SOC估计值SOC

2.根据权利要求1所述的基于数据和模型滤波融合的锂电池荷电状态估计方法，其特征在于，步骤1)中，所述使用非线性最小二乘法离线辨识出锂电池的欧姆内阻R(1)使用非线性最小二乘法离线辨识锂电池模型参数，电池模型采用二阶RC等效电路模型；由Thevenin原理，得三元锂电池状态转移方程组；

其中，上式中，U

设传感器采样周期为Ts，对上式进行离散化得：(2)使用非线性最小二乘法离线辨识锂电池模型参数，离线参数辨识在零输入响应和零状态响应分别进行，零输入响应即在没有外加激励时，仅由t＝0时刻的非零初始状态引起的响应，零输入响应取决于初始状态和电路特性，随时间按指数规律衰减；零状态响应即电路在零初始状态下由外施激励引起的响应；零状态响应、零输入响应的电压变化表达式和内阻计算公式如下：其中，u

3.根据权利要求1所述的基于数据和模型滤波融合的锂电池荷电状态估计方法，其特征在于，步骤2)中，使用扩展卡尔曼滤波得到SOC估计值SOCEKF分为初始化和循环计算两个环节，其中，循环计算环节又包括预测方程、状态不确定性方程、卡尔曼增益和矫正方程步骤；

(1)初始化步骤如下：

其中，E为单位矩阵，

(2)循环步骤如下：

(a)预测方程：

其中，

(b)协方差估计方程：

上式中，

(c)卡尔曼增益方程：

其中，L

(d)矫正方程：

其中，Z

(e)状态不确定性方程：

重复步骤(a)-(e)循环计算；

4.根据权利要求1所述的基于数据和模型滤波融合的锂电池荷电状态估计方法，其特征在于，步骤3)中，使用PSO寻优后的LSTM得到SOC估计值SOC(1)LSTM通过控制遗忘、输出和输入门，使自循环的权重始终动态变化，在模型参数不变的条件下，动态变化不同时刻的积分尺度；

在信息传递的过程中，首先通过遗忘门经sigmoid函数决定遗忘信息ff

其次通过输入门，分别经sigmoid和tanh函数决定储存信息，如下式所示：i

最后，经过输出门更新细胞隐藏状态Ho

H

上式中，W

(2)使用粒子群优化算法解决LSTM参数寻优的问题；

PSO算法基本公式如下：设在d维区域粒子群包含m个粒子，第i个粒子位置矢量第i个粒子在第t次迭代时，速度矢量和位置矢量更新方程：上式中，ω为惯性系数，影响PSO的寻优能力，ω越小，局部寻优能力越强；ω越大，全局寻优能力越强，c