1.一种基于深度神经网络的车辆电池荷电状态估计方法，其特征在于，包括以下步骤：
步骤1：采集预设温度下，不同模拟汽车驾驶习惯的负载对电池进行放电操作的历史数据，并对所述历史数据进行初步处理得到原始数据；
步骤2：将所述原始数据转换为双向lstmencoder-decoder深度神经网络可以训练的数据集，所述数据集包括训练集和测试集；
步骤3：初始化所述双向lstmencoder-decoder深度神经网络，并利用所述训练集对所述双向lstmencoder-decoder深度神经网络进行训练，获得训练后的网络模型参数；
步骤4：利用步骤3获得的模型对所述测试集进行测试，得到soc估计的效果；
若效果在可接受误差内直接运用到在线车辆电池荷电状态的估计。
2.根据权利要求1所述的一种基于深度神经网络的车辆电池荷电状态估计方法，其特征在于，所述历史数据包括电池电压v、电池电流i，电池表面温度t和电池当前电量ah。
3.根据权利要求2所述的一种基于深度神经网络的车辆电池荷电状态估计方法，其特征在于，对所述历史数据进行初步处理得到原始数据包括以下步骤：
步骤11：对包括电池电压v、电池电流i，电池表面温度t和电池当前电量ah的历史数据进行重新采样，采样频率为1hz，得到不同时刻的电池电压vt、电池电流it、电池表面温度tt和电池当前电量aht；
步骤12：根据所述电池当前电量和标准电量计算电池的soc值，并作为网络的标签数据，其计算公式为：
其中，aht表示t时刻测得的电池电量，ah0表示电池标准电量。
4.根据权利要求3所述的一种基于深度神经网络的车辆电池荷电状态估计方法，其特征在于，将所述原始数据转换为双向lstmencoder-decoder深度神经网络可以训练的数据集，具体包括以下步骤：
步骤21：将不同时刻的所述电池电压vt、所述电池电流it和所述电池表面温度tt进行归一化，使其分布在[0,1]区间，具体公式为：
其中，d表示电压、电流和电池表面温度中任意一个，dt表示t时刻的数据，dmin表示最小的数据点，dmax表示最大的数据点；
步骤22：将归一化后的电压vt'、电流i’t和表面温度tt'连接为输入向量xt＝[vt',i’t,tt']，对应的标签为soct；
步骤23：将归一化的数据转换为所述双向lstmencoder-decoder深度神经网络模型需要的数据结构，其中所述数据结构为[样本数，时间步，特征数]，变形后的单个样本结构为[[vt',i’t,tt'],[v’t+1,i’t+1,t’t+1],……[v’t+k-1,i’t+k-1,t’t+k-1]]，表示时间步为k时的单个样本输入。
5.根据权利要求4所述的一种基于深度神经网络的车辆电池荷电状态估计方法，其特征在于，
所述训练集：所有模拟汽车驾驶情况下对电池施加负载的随机混合而成的数据集；
所述测试集：单个模拟汽车驾驶情况下对电池施加负载的数据集。
6.根据权利要求5所述的一种基于深度神经网络的车辆电池荷电状态估计方法，其特征在于，所述双向lstmencoder-decoder深度网络模型结构具体为：encoder部分采用双向lstm层，decoder部分采用lstm层，中间的语义向量c作为decoder部分的每次输入。
7.根据权利要求6所述的一种基于深度神经网络的车辆电池荷电状态估计方法，其特征在于，所述步骤3具体包括以下步骤：
步骤31：随机设置所述双向lstmencoder-decoder深度神经网络的所有参数，包括权重值和偏置值，完成模型的初始化；
步骤32：将所述步骤23得到的训练数据输入所述步骤31得到的深度神经网络中，经过网络的前向传播计算得到预测值soct’，其计算公式为：
soc’t＝σ(vt',i’t,tt')(3)
其中，σ表示神经网络的一次前向传播；
步骤33：训练神经网络的损失函数loss，其计算公式为：
其中，y表示训练集soc的标签值，
步骤34：采用穿过时间的反向传播算法更新网络的权值参数；
步骤35：重复步骤32-34，直到神经网络收敛，完成训练，获得网络模型的参数。
8.根据权利要求7所述的一种基于深度神经网络的车辆电池荷电状态估计方法，其特征在于，所述步骤4具体包括以下步骤：
步骤41：将所述测试集的测试数据输入至训练完成的深度神经网络，经过网络的前向传播计算得到预测值soc”t；
步骤42：利用平均绝对误差mae评价模型性能，其计算公式为：
其中，y表示测试集soc的标签值，
当测试集的mae在可接受范围内时表示网络模型性能卓越，输入当前时刻电池的电压、电流和电池表面温度，得到当前时刻的电池soc值。