1.基于电压关键特性的锂电池在线健康状态快速预测方法，其特征在于，包括以下步骤：步骤(1)、对处于不同寿命状态的锂电池进行基于循环测试工况做循环测试，获取锂电池的全寿命数据，然后在全寿命数据中等间隔选取r个循环数据作为训练样本，以及p个循环数据作为测试样本；

步骤(2)、提取放电容量qi表征锂电池当前容量，并通过差分电压计算公式，选取恒流充电数据di(t)计算差分电压z(v)，然后基于特征值选取公式选取a个特征值预选位置，并通过特征值计算公式计算出a个预选特征值，同时对得到的预选特征值作归一化处理；

步骤(3)、基于预选特征值和训练样本，训练锂电池容量预测模型，然后基于得到的预测模型和测试样本，测试预测模型，最终综合考虑误差，建立最优锂电池容量预测模型，然后通过公式 计算得到锂电池在线健康状态。

2.根据权利要求1中所述基于电压关键特性的锂电池在线健康状态快速预测方法，其特征在于，所述步骤(1)中循环测试工况，充电循环为恒流-恒压充电，以单位电流I充电至充电截止电压V1，之后以恒压V1对锂电池进行恒压充电，直至电流降为0.05I；充电结束后静置1h，然后进行放电循环；放电循环以单位电流I进行放电至放电截止电压V2；放电结束后静置1h，然后进行充电循环。

3.根据权利要求1中所述基于电压关键特性的锂电池在线健康状态快速预测方法，其特征在于，所述步骤(2)进一步包含以下步骤：步骤(21)、基于训练样本和测试样本，选取放电容量作为电池当前容量，并选取恒流充电数据作为下一步计算基础；

步骤(22)、基于恒流充电数据，通过差分电压公式计算差分电压z(v)，从而得到差分电压曲线；

步骤(23)、基于特征值选取公式选取a个特征值预选位置，区域中心对应的电压值为va，区域宽度为λ，利用绝对值平均公式计算出a个预选特征值；

步骤(24)、基于训练样本，得到a组预选特征值，每组为r个数据，通过归一化公式分别对每组预选特征值作归一化处理，记处理规则为sa；

步骤(25)、基于测试样本，得到a组预选特征值，每组为p个数据，通过归一化规则sa分别对每组预选特征值作归一化处理。

4.根据权利要求3中所述基于电压关键特性的锂电池在线健康状态快速预测方法，其特征在于，所述步骤(22)中差分电压公式满足：其中VCap1和VCap2分别为t1和t2时刻的电压值，I为当前实时电流，在本专利中，I即为单位电流。

5.根据权利要求3中所述基于电压关键特性的锂电池在线健康状态快速预测方法，其特征在于，所述步骤(23)中特征值选取公式满足：其中V1为充电截止电压，V3为充电循环中所有电芯都能达到的最小在线电压，i为计算的循环总数。求得f(m)后，取最大的α个值，得出对应的电压值va，进一步得出预选特征值计算区域(va-(λ/2)，va+(λ/2))。

6.根据权利要求3中所述基于电压关键特性的锂电池在线健康状态快速预测方法，其特征在于，所述步骤(24)中归一化公式满足：y＝(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin其中：ymin＝-1，ymax＝1，xmin为最小特征值，xmax为最大特征值。

7.根据权利要求1中所述基于电压关键特性的锂电池在线健康状态快速预测方法，其特征在于，所述步骤(3)进一步包含以下步骤：步骤(31)、基于训练样本得到归一化后的特征值和电池容量，然后通过最小二乘法，分别计算a个特征值同电池容量的回归拟合，记误差为δa，其中拟合目标函数为一元一次方程。

步骤(32)、基于训练样本得到归一化后的特征值和电池容量，然后运用回归模型对电池容量进行预测，记误差为μa；

步骤(33)、综合考虑δa和μa，选取最优特征值，相应得到最优预测模型，通过预测模型预测同一型号任何寿命阶段锂电池的容量，再通过公式 计算锂电池在线健康状态，其中Qcc为当前容量，Qrc为额定容量。