1.一种新能源汽车锂电池状态预测方法，其特征在于，包括以下步骤：步骤S1：获取新能源汽车的行驶爬坡工况与重载信息，并获取所对应的锂电池放电状态；对锂电池放电状态进行高功率放电特征分析，以输出高功率放电时序变化特征；

步骤S2：根据行驶爬坡工况与重载信息对高功率放电时序变化特征进行重载爬坡工况的放电功率递增关联解析，得到重载爬坡工况的放电功率递增关联数据；根据所述放电功率递增关联数据进行锂电池耗电估算偏差程度耦合，得到耗电估算偏差程度耦合数据；

步骤S3：根据耗电估算偏差程度耦合数据进行锂电池剩余电量状态预测，以得到剩余电量状态预测数据。

2.根据权利要求1所述的新能源汽车锂电池状态预测方法，其特征在于，步骤S1包括以下步骤：步骤S11：获取新能源汽车锂电池的后台监测权限与新能源汽车的行驶爬坡工况与重载信息；

步骤S12：基于所述后台监测权限获取行驶爬坡工况与重载信息所对应的锂电池放电状态；

步骤S13：对所述锂电池放电状态进行高功率放电特征分析，得到高功率放电特征；

步骤S14：对高功率放电特征进行时序变化分析，以输出高功率放电时序变化特征。

3.根据权利要求2所述的新能源汽车锂电池状态预测方法，其特征在于，步骤S2包括以下步骤：步骤S21：对高功率放电时序变化特征进行阶跃式跳变强度分析，获得时序放电功率强度；

步骤S22：根据行驶爬坡工况与重载信息对时序放电功率强度进行重载爬坡工况的放电功率递增关联解析，得到重载爬坡工况的放电功率递增关联数据；

步骤S23：基于所述放电功率递增关联数据推导线路内阻突变强度；

步骤S24：对线路内阻突变强度进行非线性聚类拟合，得到内阻突变聚类拟合数据；

步骤S25：通过新能源汽车锂电池的后台监测权限获取锂电池SOC剩余电量的估算逻辑；

步骤S26：根据放电功率递增关联数据和内阻突变聚类拟合数据对所述估算逻辑进行锂电池耗电估算偏差程度耦合，得到耗电估算偏差程度耦合数据。

4.根据权利要求3所述的新能源汽车锂电池状态预测方法，其特征在于，步骤S21包括以下步骤：步骤S211：基于高功率放电时序变化特征绘制高功率放电时序变化曲线；标记出高功率放电时序变化曲线中的凸变点；

步骤S212：依据所述凸变点对高功率放电时序变化曲线进行接近峰顶时的曲线斜率计算，得到抵近峰顶的曲线斜率；

步骤S213：根据所述曲线斜率对高功率放电时序变化曲线进行相邻凸峰分位宽度方差度量，以生成相邻凸峰分位宽度方差；

步骤S214：基于所述相邻凸峰分位宽度方差对高功率放电时序变化曲线进行时序推进间的峰值跳变递增阶数分析，得到峰值跳变递增阶数；

步骤S215：依据所述峰值跳变递增阶数进行阶跃式跳变强度分析，获得时序放电功率强度。

5.根据权利要求3所述的新能源汽车锂电池状态预测方法，其特征在于，步骤S22包括以下步骤：步骤S221：对行驶爬坡工况进行坡度剖面解析处理，得到坡度剖面数据集；根据坡度剖面数据集和重载信息进行车辆总质量、轮端负载和惯性参数的矢量化分解，以获得载荷耦合矢量；

步骤S222：基于所述载荷耦合矢量推导爬坡载荷阻力递增级数；

步骤S223：根据爬坡载荷阻力递增级数对时序放电功率强度进行关联映射，从而获得阻力级数关联的放电功率强度；

步骤S224：对阻力级数关联的放电功率强度进行非线性增量演化归纳，得到阻力关联间的功率增量演化数据；根据所述功率增量演化数据推导阻力级数与功率增量间的幂律关系；

步骤S225：基于所述幂律关系进行重载爬坡工况的放电功率递增关联解析，得到重载爬坡工况的放电功率递增关联数据。

6.根据权利要求3所述的新能源汽车锂电池状态预测方法，其特征在于，步骤S26包括以下步骤：步骤S261：对放电功率递增关联数据进行递增速率比，而后演算瞬时放电电流负荷指数；

步骤S262：根据瞬时放电电流负荷指数进行极化效应电量损失过程推导，得到极化电量损失数据；

步骤S263：基于内阻突变聚类拟合数据进行热效应扩散梯度耦合，得到热效应扩散梯度；

步骤S264：基于极化电量损失数据和热效应扩散梯度进行耗电量时序发散累积耦合，得到耗电量发散累积数据；

步骤S265：基于所述估算逻辑评估理论耗电量；根据耗电量发散累积数据对理论耗电量进行锂电池耗电估算偏差程度耦合，得到耗电估算偏差程度耦合数据。

7.根据权利要求6所述的新能源汽车锂电池状态预测方法，其特征在于，步骤S264包括以下步骤：基于极化电量损失数据计算损失分段阶数；根据损失分段阶数对极化电量损失数据进行发散级数趋近方差演变，得到极化损失发散趋近方差；

根据热效应扩散梯度进行电能传导热损失估计，得到电能传导热损失数据；

对电能传导热损失数据进行损失时序偏态级数推断，以获得电能热损失偏态级数；

根据极化损失发散趋近方差和电能热损失偏态级数进行耗电量时序发散累积耦合，得到耗电量发散累积数据。

8.根据权利要求1所述的新能源汽车锂电池状态预测方法，其特征在于，步骤S3包括以下步骤：步骤S31：对耗电估算偏差程度耦合数据进行偏差趋势特征分析，得到耗电估算趋势特征；

步骤S32：基于Q-learning算法对耗电估算趋势特征进行强化学习，以输出耗电估算偏差趋势学习数据；

步骤S33：根据耗电估算偏差趋势学习数据进行锂电池剩余电量状态预测，以得到剩余电量状态预测数据。

9.一种新能源汽车锂电池状态预测系统，其特征在于，用于执行如权利要求1所述的新能源汽车锂电池状态预测方法，该新能源汽车锂电池状态预测系统包括：特征分析模块，用于获取新能源汽车的行驶爬坡工况与重载信息，并获取所对应的锂电池放电状态；对锂电池放电状态进行高功率放电特征分析，以输出高功率放电时序变化特征；

耗电估算偏差分析模块，用于根据行驶爬坡工况与重载信息对高功率放电时序变化特征进行重载爬坡工况的放电功率递增关联解析，得到重载爬坡工况的放电功率递增关联数据；根据所述放电功率递增关联数据进行锂电池耗电估算偏差程度耦合，得到耗电估算偏差程度耦合数据；

状态预测模块，用于根据耗电估算偏差程度耦合数据进行锂电池剩余电量状态预测，以得到剩余电量状态预测数据。