1.一种锂电池健康状态在线预估方法，其特征在于，包括以下步骤：(1)获取恒温恒流条件下锂电池极化度与其健康状态值的对应函数关系；所述锂电池极化度DP＝up/ups；其中up为极化电压，ups为标准极化电压；

(2)采集处于工作状态中的锂电池的实时在线端电压与电流数据，通过扩展的卡尔曼滤波方法获取实时工况下的荷电状态与极化电压值；

(3)在一次充放电循环期间设电池的健康状态基本不变，系统实时更新荷电状态，健康状态采用前一循环的计算值；

(4)一次充放电循环完成后，计算此次循环的锂电池极化度，根据步骤(1)得到的锂电池极化度与其健康状态值的对应函数关系更新电池的健康状态值，重复步骤(2)～(4)从而获取实时的健康状态估算值。

2.根据权利要求1所述的锂电池健康状态在线预估方法，其特征在于，所述步骤(1)包括以下过程：(11)建立锂电池的等效电路模型；

(12)测量锂电池在不同荷电状态下的开路电压值，计算所述等效电路模型的电路参数在不同荷电状态下的离线值，曲线拟合得出连续工况下的电路参数与荷电状态的函数关系；

(13)对锂电池进行恒流恒温循环充放电测试，采集锂电池充放电过程中的端电压与电流数据，通过扩展的卡尔曼滤波方法获取恒流工况下的荷电状态与极化电压值；

(14)计算所述锂电池极化度，并在一次循环结束后离线测试锂电池的健康状态值，得到锂电池极化度与其健康状态值的对应函数关系。

3.根据权利要求2所述的锂电池健康状态在线预估方法，其特征在于：步骤(11)中所述的等效电路模型采用Thevenin模型，所述Thevenin模型包括极化内阻Rp和极化电容Cp，所述极化内阻和极化电容构成的并联电路与电源、欧姆内阻R0串联。

4.根据权利要求3所述的锂电池健康状态在线预估方法，其特征在于，所述步骤(12)包括以下步骤：(121)测量不同荷电状态下的锂电池开路电压值，拟合后得到开路电压与荷电状态的对应关系；

(122)对锂电池进行不同荷电状态下的脉冲响应测试，根据响应曲线计算所述Thevenin模型的参数，对参数进行曲线系数拟合，得到连续工况下的Thevenin模型参数。

5.根据权利要求4所述的锂电池健康状态在线预估方法，其特征在于，所述步骤(122)包括以下步骤：(a)对锂电池进行不同荷电状态下的脉冲响应测试，初始放电时刻电压从电压UA下降至电压UB，计算所述欧姆内阻R0：R0＝(UA‑UB)/I

其中，I为脉冲电流；

(b)放电结束后，电压的缓慢升高过程满足零输入响应过程，方程为：其中τp＝Rp.Cp，根据步骤(a)所得的脉冲响应测试数据以及步骤(121)所得的开路电压uoc，通过参数拟合得出up(0)和τp；

(c)端电压由电压UB缓慢下降到UC的过程满足零状态响应，方程为：u(t)＝uoc(SOC)‑i(t)R0‑i(t).Rp(1‑e‑t/τp)根据步骤(a)所得的脉冲响应测试数据、欧姆内阻R0以及步骤(b)中得到的τp，通过参数拟合得出极化电阻Rp以及极化电容Cp。

6.根据权利要求1所述的锂电池健康状态在线预估方法，其特征在于，步骤(2)所述的通过扩展的卡尔曼滤波方法获取实时工况下的荷电状态与极化电压值，包括以下步骤：(21)通过扩展的卡尔曼滤波方法建立锂电池的状态方程与观测方程，其中状态方程为：

uk＝uoc(soc(k))‑i(k)R0‑up(k)+vκ其中，τp＝Rp.Cp，i(k)、uk分别为k时刻电池的充放电电流与端电压，η为充放电效率，Cn为额定容量，uoc为开路电压，up为极化电压，wκ+1、vκ为系统状态和观测方程中服从高斯分布的随机噪声，具有以下的统计学特性：p(wκ+1)～N(0,P)

p(vκ+1)～N(0,R)

式中P为锂电池状态协方差正定矩阵，R为锂电池观测协方差正定矩阵；

(22)对锂电池进行恒流恒温循环充放电测试，采集锂电池充放电过程中的端电压与电流数据，对离散化后的状态方程和观测方程进行EKF递推计算，获得实时工况下的极化电压。

7.根据权利要求1所述的锂电池健康状态在线预估方法，其特征在于：步骤(1)所述的锂电池极化度，还需要对每次循环过程所得的系列极化度数据进行均值处理来获得。

8.根据权利要求2所述的锂电池健康状态在线预估方法，其特征在于：步骤(1)所述的标准极化电压通过对全新的相同型号锂电池执行步骤(11)～(13)获得。