1.一种锂电池荷电状态与能量状态估计方法，其特征在于，包括以下步骤：步骤1：收集不同工况下锂离子电池单体充放电的电压、电流、温度、荷电状态、能量状态数据，利用离群因子检测LOF方法对异常数据进行剔除，构成原始样本；

步骤2：对原始样本中电压、电流、温度序列独立注入特定信噪比的高斯噪声，额外的生成一个独立的样本，称其为增强样本；将原始样本与增强样本合并形成Train数据集，作为模型的训练输入；

步骤3：搭建TimesNet-EC模型结构，搭建初步估计层与误差校正层双层结构；使用训练数据对TimesNet神经网络进行初步训练，作为初步估计层，同时提取初步估计层对训练数据的误差序列，构建误差样本；利用TimesNet-EC模型结构获取T时刻荷电状态和能量状态估计结果Yp步骤4：使用基于随机森林的贝叶斯优化对TimesNet-EC模型的top_k、编码器/解码器输入大小、多头注意力模型的头数、dropout进行优化，搭建基于随机森林的贝叶斯优化-TimesNet-EC模型结构；使用步骤2得到的训练集对基于随机森林的贝叶斯优化-TimeNet-EC模型进行训练，获得最佳模型超参数；

步骤5：利用优化后的模型对测试数据样本进行预测，得到最终荷电状态和能量状态预测值。

2.根据权利要求1所述的一种锂电池荷电状态与能量状态估计方法，其特征在于，所述步骤1中采用利用离群因子检测LOF方法对异常数据进行剔除，构成原始样本Train步骤1.1：计算每个数据点的第k距离邻域内各点的第k可达距离，其公式为：reach_dist

其中，d

步骤1.2：计算每个点的局部第k局部可达密度，其公式为：其中，N

步骤1.3：计算每个数据点的第k局部离群因子：

步骤1.4：根据步骤1.3中计算得到的每个数据点的局部离群因子LOF

3.根据权利要求1所述的一种锂电池荷电状态与能量状态估计方法，其特征在于，所述步骤2中向原始样本中的电压、电流、温度序列独立注入特定信噪比的高斯噪声，形成增强样本，并与原始样本合并；包括以下步骤；

步骤2.1：按照一定的信噪比随机生成高斯噪声，生成指定信噪比的温度噪声T其中，P

步骤2.2：把步骤2.1中得到的噪声序列注入到原始样本的电压、电流、温度中，得到增强样本TrainT

U

I

其中T

步骤2.3：把步骤2.2中得到的增强样本TrainTrain＝(Train

4.根据权利要求1所述的一种锂电池荷电状态与能量状态估计方法，其特征在于，所述步骤3中搭建的TimesNet-EC模型结构，搭建初步估计层与误差校正层双层结构，具体包括以下步骤；

步骤3.1：使用处理好的Train数据集对初步估计层的TimesNet模型进行训练，提取训练过程中TimesNet的估计结果，将估计值与实际值相减，获得估计误差序列；

步骤3.2：提取估计误差序列，以T时刻的误差E

步骤3.3：使用误差样本E，对误差校正层的TimesNet网络进行训练，得到TimesNet误差估计模型；

步骤3.4：对T时刻的荷电状态和能量状态进行估计，首先将数据输入到初步估计层，获得初步估计结果R1；

步骤3.5：将T时刻电压、电流、温度数据输入到步骤3.3所建立的TimesNet误差估计模型中，得到T时刻的估计误差e步骤3.6：把步骤3.4中得到T时刻初步估计结果R1和步骤3.5中得到的T时刻估计误差e

5.根据权利要求1所述的一种锂电池荷电状态与能量状态估计方法，其特征在于，所述步骤4中使用基于随机森林的贝叶斯优化对模型的top_k、编码器/解码器输入大小、多头注意力模型的头数、dropout进行优化，搭建基于随机森林的贝叶斯优化-TimesNet-EC模型结构，获得最佳模型超参数，包括以下步骤；

步骤4.1：初始化基于随机森林的贝叶斯优化方法的相关参数，包括最大迭代次数N、top_k、编码器/解码器输入大小、多头注意力模型的头数、dropout等超参数的搜索空间的上下限；

步骤4.2：根据步骤4.1中各超参数的上下限，随机初始化n步骤4.3：根据结果确定更新策略，并计算出新的第n+1个个体的位置；

步骤4.4：将第n+1个点带入TimesNet-EC模型中，计算f(x步骤4.5：判断是否达到最大迭代次数N，若达到，则输出最优解，并从中提取出TimesNet-EC的超参数，否则返回步4.4；

步骤4.6：将数据输入到优化后的模型中进行估计，得到最终的锂电池荷电状态和能量状态估计结果。