1.一种基于双模型的锂离子电池组电压异常故障诊断方法，其特征在于：包括以下步骤：

步骤1：收集电池充放电数据，包括电流、电压、温度和SOC；

步骤2：建立二阶等效电路模型，用最小二乘法辨识模型参数，得到不同温度和SOC下模型各参数，包括开路电压、欧姆内阻、电化学极化RC和浓差极化RC；

步骤3：建立LSTM和全连接层Dense模型，用收集的正常的锂电池运行数据训练网络模型；

步骤4：LSTM预测得到的SOC分别用于二阶等效电路模型和全连接层Dense模型输出端电压，然后结合联合两个模型输出的端电压得到一个比之前更精确的端电压；

步骤5：模型端电压与实际运行的端电压生成残差，用CUSUM评价残差，若超过阈值则认为发生了故障。

2.根据权利要求1所述的基于双模型的锂离子电池组电压异常故障诊断方法，其特征在于：步骤2中所述通过最小二乘法辨识模型参数，数学表达式为：最终得到不同温度和SOC下的模型各参数，其关系表示为X＝fX(SOC，Te)

X为模型的某一参数，SOC为电池荷电状态，Te为测量温度。

3.根据权利要求1所述的基于双模型的锂离子电池组电压异常故障诊断方法，其特征在于：步骤3中所述LSTM网络和全连接层Dense均包括输入层、输出层和隐含层，所述LSTM网络的输入为：

其中k和n分别表示输入样本时间窗口和样本数，I表示样本电流，Ut表示样本端电压，T表示样本温度；

所述LSTM网络的输出为预测下一时刻的SOC；

所述LSTM网络根据数据量调整网络的超参数，包括隐层神经元个数，时间窗口k和batchsize大小；

所述全连接层Dense网络的输入为当前时刻的(It，Tt，SOCt)，其中，It表示当前时刻电流，Tt表示当前时刻温度，SOCt表示当前时刻SOC，所述全连接层Dense网络的输出为端电压，所述全连接层Dense网络根据数据量调整网络的超参数，包括隐层神经元个数和batchsize大小。

4.根据权利要求1所述的基于双模型的锂离子电池组电压异常故障诊断方法，其特征在于：步骤4中等效电路模型ECM和全连接层Dense各自得到端电压Ut，分别表示为UtE，UtD，联合这两个模型得到更为准确的Ut，其具体数学表达式为：SOC＝LSTM(I，Ut，T)；

UtD＝Dense(I，T，SOC)；

UtE＝ECM(I，T，SOC)；

5.根据权利要求1所述的基于双模型的锂离子电池组电压异常故障诊断方法，其特征在于：步骤5中，模型端电压与实际运行的端电压生成残差，用CUSUM评价残差，若超过阈值则认为发生了故障，取上累积和计算各点：xi‑(μ+kσ)，其中xi为各时刻的残差值，即模型端电压与实际运行端电压之差，μ是目标值取0，σ是总体偏差，取hσ为阈值，k，h分别为参考值和决策值，根据运行长度选择。

6.根据权利要求1所述的基于双模型的锂离子电池组电压异常故障诊断方法，其特征在于：实验采集电池数据时电压，电流，SOC以及温度的周期T为1秒。

7.根据权利要求1所述的基于双模型的锂离子电池组电压异常故障诊断方法，其特征在于：带遗忘因子的最小二乘法辨识出的参数是(1‑a1‑a2)Uoc(k)，a1，a2，a3，a4，a5最终转换得到模型的参数是：

τ1＝R1C1，τ2＝R2C2。