1.基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法，其特征在于，包括如下步骤：
s1：进行锂电子电池充放电实验并采集样本数据，包含训练数据和测试数据；
s2：确定神经网络的输入和输出变量，建立soc的rbfnn模型；
s3：基于训练数据集对建立的rbfnn进行参数学习，获取准确的rbfnn模型；
s4：利用测试数据对建立的rbfnn进行独立精度检验；
s5：将soc设置为内部状态，设计rbfnn-ukf，实现在初始soc不确定的情况下对soc的实时估计；
s6：将传感器偏差设置为扩张状态，在原有rbfnn-ukf基础上设计扩张rbfnn-ukf，实现soc与未知传感器偏差的协同估计。
2.如权利要求1所述的基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法，其特征在于，步骤s1中，采集的样本数据包括锂电子电池的电流、终端电压和soc数据。
3.如权利要求1所述的基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法，其特征在于，步骤s2中，确定神经网络的输入和输出变量，建立soc的rbfnn模型具体为：根据锂电子电池充放电实验采集的数据，将k-1时刻的电压数据、k时刻的soc数据、k时刻的电流数据作为神经网络的输入，k时刻的电压数据作为神经网络的输出，从而建立rbf神经网络。
4.如权利要求3所述的基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法，其特征在于，rbf神经网络具有三层结构——输入层、隐含层、输出层；其中，隐含层每个神经元的激活函数为径向基函数，即：
其中，
其中，f为rbfnn输入到输出的非线性函数，w0为阈值，wi＝[w1,w2,...,wn]t为隐含层至输出层的权值向量，m为隐含层神经元数目。
5.如权利要求1所述的基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法，其特征在于，步骤s3中，基于训练数据集对建立的rbfnn进行参数学习，获取准确的rbfnn模型具体包括如下步骤：
s31：利用已知的电流、电压和soc训练数据对建立的rbfnn进行参数学习；
s32：根据训练好的rbfnn，确定最优参数，获取准确的rbfnn模型。
6.如权利要求1所述的基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法，其特征在于，步骤s4中，利用测试数据对建立的rbfnn进行独立精度检验具体为：利用测试数据对建立的rbfnn进行独立精度检验，将电压估计值与真实电压值比较，验证所建立网络模型的准确度。
7.如权利要求1所述的基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法，其特征在于，步骤s5中，将soc设置为内部状态，设计rbfnn-ukf，实现在初始soc不确定的情况下对soc的实时估计具体包括如下步骤：
s51：根据式(4)设计rbfnn-ukf：
基于训练好的rbfnn模型设计ukf滤波器，将k-1时刻的电压、k时刻的soc分别作为第一、第二状态变量、k时刻电流作为输入变量，k时刻电压作为观测输出，则系统的状态变量与观测变量定义为：
其中，v(k-1)、v(k)、z(k)和z(k+1)分别为k-1时刻的电压、k时刻的电压、k时刻的soc、k+1时刻的soc，每个时刻的soc值通过安时积分法获得；
根据式(3)设计ukf滤波器，其状态空间模型表达为：
其中，uk为ukf的输入变量，即k时刻的电流，f是由训练好的rbfnn确定的网络输入到输出的非线性函数，cn为锂电子电池的额定容量，δt为采样时间，w(k)和ν(k)分别为过程噪声和测量噪声；
s52：将soc设置为内部状态进行观测，通过对soc进行反馈补偿实现在初始soc不确定的情况下对soc的实时估计。
8.如权利要求7所述的基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法，其特征在于，步骤s51中，每个时刻的soc值通过安时积分法获得具体为：
其中，z(t)和z(t0)分别为t时刻soc和soc初始值，cn为锂电子电池的额定容量，ηi为库伦效率，设置为1，i(τ)为锂电子电池电流，锂电子电池充电时为负、放电时为正；
ukf中建立的模型需将式(5)离散化，由于采样时间δt很小，代替式(5)中的积分，则式(5)重新表达为：
其中，z(k)和z(k+1)分别为k时刻、k+1时刻的soc，i(k)为k时刻的电流，cn为锂电子电池的额定容量，δt为采样时间。
9.如权利要求1所述的基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法，其特征在于，步骤s6中，将传感器偏差设置为扩张状态，在原有rbfnn-ukf基础上设计扩张rbfnn-ukf，实现soc与未知传感器偏差的协同估计具体包括如下步骤：
s61：根据式(8)设计扩张rbfnn-ukf：
将电流传感器偏差设置为扩张状态，扩张进入式(3)，通过在采集的电流测量值上加上一个常数，这个常数即为电流传感器偏差，则系统的状态变量与观测变量重新定义为：
其中，v(k-1)、v(k)、z(k)和z(k+1)分别为k-1时刻的电压、k时刻的电压、k时刻的soc、k+1时刻的soc，b(k)为电流传感器偏差值，由于此偏差值设置为常数，b(k+1)＝b(k)；
根据式(7)设计扩张ukf滤波器，实现soc与未知传感器偏差的协同估计，其状态空间模型重新表达为：
其中，f是由训练好的rbfnn确定的网络输入到输出的非线性函数，cn为锂电子电池的额定容量，δt为采样时间，uk为输入变量，即k时刻的电流，w(k)和ν(k)分别为过程噪声和测量噪声；
s62：将电流传感器偏差设置为扩张状态进行观测，通过对传感器偏差进行反馈补偿实现soc与未知传感器偏差的协同估计。