1.基于满置电流和二重相关度的锂电池健康状态估计方法，其特征在于，具体包括如下步骤：S1、获取锂电池每个循环充放电的健康状态序列和满置电流序列；

所述步骤S1具体内容如下：

所述满置为恒流恒压充电过程中，进行到恒压阶段的充电状态；所述满置电流序列为恒压阶段的充电电流序列I1,I2,…,It；循环充放电过程的锂电池健康状态数据序列为H1,H2,…,Hn，所测量的数据其中Hi为第i，i＝1,2,K,n个充放电过程锂电池健康状态数据，n为循环充放电次数，Ci为第i个充放电过程锂电池的最大放电容量，C为锂电池的额定容量；

S2、对每个充放电循环的满置电流序列进行统计学分析，由满置电流序列计算特征并分类：所述的步骤S2具体内容如下：

获取锂电池充电循环数据后，特征随循环充放电过程的数据为[Fr,1,Fr,2,…,Fr,n]，恒压充电时长为ti＝ti,e-ti,0，恒压充电时长占比为其中，r为特征的编号，r＝1,…,10，ti为第i个充放电循环的恒压阶段充电的总时长，n为循环充放电次数，e为恒压阶段充电的结束时间，0为恒压阶段充电的起始时间；

恒压充电电流面积为恒压充电电流面积占比为Si为第i个充放电循环的恒压阶段的充电电流所围成的面积，L为充电时长，Ii,j为第i个充放电循环内第j个抽样的电流值，Ni为第i个充放电循环内的抽样总数，Si’为第i个充放电循环的恒压阶段的充电电流的面积占比；

恒压充电电流熵为恒压充电电流熵占比为I(x)i为第i个充放电循环的恒压阶段的充电电流熵，p(xi,j)为第i个充放电循环内第j个抽样电流值的概率，I(x)i’为第i个充放电循环的恒压阶段的充电电流熵占比；

恒压充电容量为Ci＝Ci,e-Ci,0，恒压充电容量占比为其中，Ci为第i个充放电循环的恒压阶段的充电容量；

恒压充电能量为Ei＝Ei,e-Ei,0，恒压充电能量占比为Ei为第i个充放电循环的恒压充电阶段充入的能量；

所述步骤S2满置电流序列计算以下10种特征并划分为5类：

(1)恒压充电时长、恒压充电时长占比；

(2)恒压充电电流面积、恒压充电电流面积占比；

(3)恒压充电电流熵、恒压充电电流熵占比；

(4)恒压充电容量、恒压充电容量占比；

(5)恒压充电能量、恒压充电能量占比；

S3、对每一个特征与健康状态序列进行第一重相关度分析；

所述的步骤S3的具体内容如下：

所述第一重相关度分析为：对每一个特征[Fr,1,Fr,2,…,Fr,n]分别与健康状态序列[H1,H2,…,Hn]进行灰色关联分析计算灰色关联系数[ξr(1),ξr(2),…,ξr(n)]，并取灰色关联系数的平均值Rr作为每个特征与锂电池健康状态的灰色关联度序列[R1,R2,…,Rm]，其中，灰色关联系数Rr∈[0,1]为各个特征Fr与锂电池健康状态的灰色关联度，y(n)＝[H1,H2,…,Hn]，xr(n)＝[Fr,1,Fr,2,…,Fr,n]，ρ∈(0,1)为分辨系数，灰色关联度m为灰色关联度的次数；

S4、根据最大关联度区间法，判断输入特征的数量M是否大于一，大于则执行步骤S5和S6；否则直接跳入步骤S7；

所述的步骤S4的具体内容如下：

所述最大关联度区间法为：当Rr∈[0,0.6]时，加入其它新特征，当Rr∈(0.6,0.7]时，输入特征数量M＝4，当Rr∈(0.7,0.8]时，输入特征数量M＝3，当Rr∈(0.8,0.9]时，输入特征数量M＝2，当Rr∈(0.9,1]时，输入特征数量M＝1；以此确定输入特征数量M；

S5、选取每个类中关联度最高的特征，以及选取所有特征中关联度最高的特征；

S6、将关联度最高的特征分别与其它类中关联度最高的特征之间进行第二重相关度分析，根据特征之间的互相关度，筛选出输入特征；

所述第二重相关度分析为：

将灰色关联度最高的特征分别和其他4类中灰色关联度最高的特征之间进行皮尔逊相关性分析，得出4个互相关度P1、P2、P3、P4，对互相关度按照从高到低排序，选择前M-1个互相关度所对应的其他4类的特征，加上灰色关联度最高的特征，构成M个特征作为输入特征其中，皮尔逊相关性分析a为灰色关联度最高的特征；

S7、将输入特征与健康状态序列，通过麻雀搜索算法迭代寻得最优支持向量机的惩罚系数和核函数宽度因子，建立锂电池健康状态的估计模型；

所述的步骤S7的具体内容如下：

取输入特征和健康状态序列的前k，k＝1，2，…，n-1个样本值和作为训练集，取第k+1,k+2,…,n个样本值和作为测试集,通过麻雀搜索算法迭代寻得最优支持向量机的惩罚系数和核函数宽度因子的过程为：将健康状态的真实值与估计值的均方差根作为个体适应度函数，把惩罚系数和宽度因子映射为每只麻雀的二维位置，迭代寻优全局最优二维位置，应用最优二维位置的惩罚系数和宽度因子,建立输入特征与锂电池健康状态的估计模型；

S8、应用建立的锂电池健康状态估计模型对锂电池健康状态进行估计。

2.根据权利要求1所述的基于满置电流和二重相关度的锂电池健康状态估计方法，其特征在于：所述的步骤S5的具体内容如下：

对每个特征与锂电池健康状态的灰色关联度[R1,R2,…,Rm]进行降序排列后，选取每个类中灰色关联度最高的特征，以及选取所有特征中灰色关联度最高的特征。

3.根据权利要求2所述的基于满置电流和二重相关度的锂电池健康状态估计方法，其特征在于：所述的步骤S7麻雀搜索算法优化支持向量机的惩罚系数与宽度因子的详细步骤如下；

(a)读取数据，进行数据预处理，并构建健康状态估计模型；

(b)初始化麻雀种群参数，确定惩罚系数、宽度因子的取值范围；

(c)划分捕食发现者和追随者并随机选择警惕者分别进行位置信息更新；

(d)确定麻雀搜索算法的适应度函数，依据麻雀搜索算法的原理，寻找最优的函数值，即确定最佳麻雀个体的位置；

(e)根据最佳麻雀个体位置得到惩罚系数、宽度因子的最优值；

(f)重复步骤(c)～(e)判断是否满足终止条件，即最大迭代次数；

(g)将最优惩罚系数、宽度因子赋给支持向量机。