1.一种锂电池SOH智能估计方法，其特征在于，包括：

步骤(1)传感器采集不同种类和工况的锂电池运行数据，包括电压、电流、温度、充电循环次数、温度和时间数据；

步骤(2)构建变分自动编码器-生成对抗网络VAE-GAN组合模型，输入所述步骤(1)中采集的锂电池运行数据进行数据增强，生成更多不同类型和工况的锂电池运行数据；

步骤(3)构建模型库，根据所述步骤(2)中不同种类和工况的锂电池运行数据，对模型库中所有模型分别进行建模，根据锂电池建模数据量权衡精度和计算时间，将满足精度要求和时间阈值的模型作为源模型，将所有源模型进行加权叠加，集成一个堆叠模型；

步骤(4)输入待评估锂电池的运行数据，利用自适应共振理论ART网络对堆叠模型中的各个源模型进行自适应权重分配，得到最终待评估电池的SOH预测模型，输出初步预测结果；

步骤(5)对锂电池运行数据进行最大信息系数MIC特征提取作为输入变量，将初步预测结果与电池实际SOH值之差的误差序列作为目标变量，建立基于随机森林RF的误差修正模型，实现对未来误差的预测和预测结果的修正，输出锂电池SOH的最终预测值。

2.根据权利要求1所述的一种锂电池SOH智能估计方法，其特征在于，所述变分自动编码器-生成对抗网络VAE-GAN组合模型，由编码器-生成器-解码器-判定器结构构成，所述编码器对输入的锂电池运行数据的概率分布进行学习，即捕捉输入数据的关键特征，并将输入数据映射到一个潜在空间的表示，即潜在变量，输出到生成器；所述生成器，接收潜在变量从而生成接近于真实数据的样本数据，传输给解码器；所述解码器将样本数据映射回原数据空间，重构数据，从而生成更多的样本数据；所述判定器，将解码器所输出的样本数据与真实数据进行比较甄别，使得生成的样本数据更加接近真实数据。

3.根据权利要求1所述的一种锂电池SOH智能估计方法，其特征在于，所述步骤(3)具体为：构建包含多种结构、建模机理不同的锂电池健康状态评估模型库，输入由所述变分自动编码器-生成对抗网络VAE-GAN组合模型生成的不同类型和工况的锂电池运行数据，对模型库中的各个模型分别进行建模和训练，根据锂电池建模数据量权衡精度和计算时间，将满足精度要求和时间阈值的模型作为源模型，并将源模型进行加权叠加，构成一个堆叠模型。

4.根据权利要求1所述的一种锂电池SOH智能估计方法，其特征在于，所述步骤(4)中输入待评估锂电池的运行数据，利用自适应共振理论ART网络对堆叠模型中的各个源模型进行自适应权重分配，具体为：所述ART网络包含：输入层、节点层、重置机制、共振阈值、学习规则和输出层，流程如下：

4.1初始化ART网络的参数，包括共振阈值β，权重矩阵，学习率；所述权重矩阵包括自下而上的权重向量和自上而下的权重向量，对每个源模型进行初始权重的分配，赋予相同的权重系数；

所述自下而上的权重向量即网络内部存储的用于表示已有模式的向量，用于衡量新输入数据与已有模式的匹配程度；

所述自上而下的权重向量即根据ART网络的学习规则和共振机制，在共振发生后即输入数据与已有模式高度匹配时，从高层结构向底层调节的权重向量；

所述共振阈值是指一个设定的数值，用于判断输入数据与网络中已有模式之间的匹配程度即相似度；

4.2输入待评估锂电池的运行数据到堆叠模型，输出堆叠模型中每个源模型的预测结果，预测结果为Y＝[y1,y2,..yi..,yn]，yi表示第i个源模型的预测结果向量；

4.3输入层接收每个源模型的预测结果作为ART网络的输入并将其传输给节点层；

4.4节点层的每个节点通过自下而上的权重向量tj与输入层相连，这些权重向量参与计算输入数据与节点的相似度，从而影响节点的激活状态；将每个节点分配给每个源模型，则对于每个节点j，其自下而上的权重向量为tj＝[t1j,t2j,...,tmj]；m,n属于正整数；

4.5计算输入向量与每个节点的匹配程度，通过输入向量与自下而上的权重向量的点积来实现，其公式如下：w＝||yi·tmj||/||yi||||tmj||

式中，w表示匹配程度；

4.6将匹配程度w与设定的共振阈值β相比较，当w＜β时，ART网络的重构机制会抑制当前节点，并搜索其他节点以找到更好的匹配；当w＞β时，网络则进入共振状态，在共振状态下，自上而下的权重向量会利用ART网络自身的学习规则并根据输入数据进行更新调整，以学习并加强这种相似性；

4.7根据ART网络的输出结果，对每个源模型的权重系数调整，将最终每个源模型的预测结果与其权重系数相乘，再进行加权叠加，从而输出初步的预测结果。

5.根据权利要求1所述的一种锂电池SOH智能估计方法，其特征在于，所述步骤(5)对锂电池运行数据进行最大信息系数MIC特征提取，具体为：将待评估锂电池的运行数据在二维平面上进行离散化处理，并在该平面的横纵坐标上即x方向和y方向上，划分出若干个网格单元，构建出网格平面，通过计算任意两个随机运行数据在这些网格单元中的联合概率分布以及各自的概率分布，进而计算出它们之间的最大互信息量，最大互信息值的计算式如下：式中，p(A,B)表示运行数据A和运行数据B的联合概率分布函数；p(A)和p(B)分别是运行数据A和运行数据B的边缘概率分布函数；

对最大互信息值进行归一化处理，通过对不同尺度下最大互信息值的计算和比较，选择其中的最大值作为最大信息系数MIC，其归一化表达式如下：式中，c和d分别是在二维平面的x和y方向上划分的格子数；

对各个运行数据之间的最大信息系数MIC值进行计算，选择较大的MIC值即与锂电池的SOH相关度较高的特征数据，作为训练误差修正模型的输入变量。

6.根据权利要求1所述的一种锂电池SOH智能估计方法，其特征在于，所述步骤(5)将初步预测结果与电池实际SOH值之差的误差序列作为目标变量，建立基于随机森林RF的误差修正模型，实现对未来误差的预测和预测结果的修正，具体为：将初步预测SOH值与锂电池实际SOH值作差，得到误差序列数据，以所述特征数据作为输入变量，误差序列数据作为输出变量，建立基于随机森林RF的误差修正模型，具体流程如下：(1)利用随机森林的Bootstrap自助法对输入的特征数据有放回的随机选择N个样本数据，构成一个样本集，重复此操作，生成多个容量为N的样本集；

(2)对于每个样本集利用一个决策树来训练，不同的决策树采用不同的样本集，并将此样本集作为决策树根节点的样本；

(3)从样本集的N个特征数据随机选择s个特征数据，并利用信息增益率对这s个特征数据进行最优特征的选取，每棵决策树都会以最优特征进行分裂；

(4)每棵决策树的每个节点的分裂过程都按照所述步骤(3)进行，一直到决策树不可再分裂为止；

(5)重复上述步骤，将所有训练的决策树结合，最终形成随机森林；

以初步预测结果与电池实际SOH值之差的误差序列作为目标变量，对所述的随机森林模型进行训练，输入待评估电池特征数据进模型，将所有的决策树的预测结果进行汇总，并计算其平均值，输出预测值即误差序列，与实际的误差序列比较，直到达到预期的效果，即训练完成；

再次输入新的待评估电池特征数据进训练完的随机森林误差修正模型，则直接输出预测的误差序列，将其与源模型的初步预测结果相加，即得到最终的锂电池SOH预测值。

7.一种锂电池SOH智能估计系统，其特征在于，包括：数据采集模块、数据增强模块、模型库、堆叠模型、ART网络和误差修正模块；

所述数据采集模块，用于采集不同种类和工况的锂电池运行数据，包括电压、电流、温度、充电循环次数、温度和时间数据；

所述数据增强模块，用于构建变分自动编码器-生成对抗网络VAE-GAN组合模型，以数据采集模块所采集的数据为输入，对其进行数据增强，从而生成更多不同类型的锂电池在不同工况下的运行数据；

所述模型库，用于以数据增强模块增强后的数据为输入，对模型库中的所有的模型分别进行建模，根据锂电池建模数据量权衡精度和计算时间、将满足进度要求和时间阈值的模型作为源模型，将其进行加权叠加，集成一个堆叠模型；

所述ART网络，用于对堆叠模型中的各个源模型进行自适应权重分配，得到最终待评估电池的SOH预测模型，从而输出初步预测结果；

所述误差修正模型，基于随机森林RF的误差修正模型，以最大信息系数MIC特征提取后的锂电池运行数据作为输入变量和初步预测结果与电池实际SOH值之差的误差序列作为目标变量进行训练的，实现对未来误差的预测和预测结果的修正，输出锂电池SOH的最终预测值。

8.根据权利要求7所述的一种锂电池SOH智能估计系统，其特征在于，所述变分自动编码器-生成对抗网络VAE-GAN组合模型，由编码器-生成器-解码器-判定器结构构成，所述编码器对输入的锂电池运行数据的概率分布进行学习，即捕捉输入数据的关键特征，并将输入数据映射到一个潜在空间的表示，即潜在变量，输出到生成器；所述生成器，接收潜在变量从而生成接近于真实数据的样本数据，传输给解码器；所述解码器将样本数据映射回原数据空间，重构数据，从而生成更多的样本数据；所述判定器，将解码器所输出的样本数据与真实数据进行比较甄别，从而帮助使得生成的样本数据更加接近真实数据，利用所述VAE-GAN组合模型，基于所采集的不同类型和工况的锂电池运行数据，从而生成更多可用数据。

9.一种计算设备，其特征在于，包括：一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至6所述的方法中的任一方法的指令。

10.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至6所述的方法中的任一方法。