1.一种用于退役电池的SOC、SOH联合估算方法，其特征在于，包括以下步骤：步骤S1：建立综合考虑退役电池性能影响因素的电池单体模型，随后利用电池的HPPC测试所得试验数据拟合得到所建电池单体模型的离线模型参数；

步骤S2：根据所述试验数据联合蜂鸟‑神经网络算法估算电池的SOH，进而确定电池实际可用容量，以电池实际可用容量作为依据对安时积分法进行校正，获得改进安时积分法；

步骤S3：基于电池单体离线模型参数和改进安时积分法，采用离线‑迭代算法对电池SOC进行估算；

步骤S2中所述的根据所述试验数据联合蜂鸟‑神经网络算法估算电池的SOH，包括以下步骤：(21)神经网络算法的输入层选择试验数据中的开路电压、电流、温度、内阻，输出层选择电池SOH，构建神经网络SOH估算模型；

(22)利用蜂鸟算法对神经网络的权重和阈值进行寻优，并利用所述试验数据进行训练确定权重和阈值的最优解；

(23)通过优化后得到的蜂鸟‑神经网络模型估算退役电池SOH；

所述步骤(22)包括以下步骤：

(1)待优化的神经网络里所有的权重和阈值，共m个参数，将参数依次排列为c1，c2，…，cm，对任一参数设置为N个随机的非零值，形成集合Rci，设蜂鸟的总数为S，每只蜂鸟从鸟巢出发觅食，即每只蜂鸟根据集合Rci中每个元素的信息素状态，随机的从集合中选择一个元素，每个元素被选概率遵从下式：式中： 表示时刻t蜂鸟k依据元素i和元素j之间的信息量和启发式信息来进行备选元素选择的转移概率，τij(t)表示t时刻元素i与元素j之间的信息量，ηij(t)为对应τij(t)的启发式函数，α为信息素启发因子，β为期望启发因子，cank为蜂鸟k下一步可以选择的元素集合，s表示从集合cank中随机选取的元素，τis(t)表示t时刻元素i与元素s之间的信息量，ηis(t)为对应τis(t)的启发式函数；

(2)初始化，迭代次数Dc＝1，设置最大迭代次数为Dmax，每个蜂鸟所携带的初始信息量τ0(0)＝0，释放的信息量Δτ0(0)＝0，所有蜂鸟位居鸟巢；

(3)蜂鸟出发觅食，觅食搜索过程相互独立，根据元素所含信息量，按照式(1)计算每个元素被选择的概率；

(4)重复步骤3，直到蜂鸟完成全部元素的选择后停止计算；

(5)将蜂鸟所选择的元素，作为神经网络参数，对神经网络进行学习训练，得到神经网络的实际输出，对比期望值ξ，得到对应的网络误差δ，并据此更新集合中元素的信息量，信息量全局更新规则如下：式中：τij(t)和τij(t+1)分别表示t时刻和下一时刻元素i与元素j之间的信息量，S为蜂鸟总数，ρ表示信息量挥发系数， 表示蜂鸟k在路径(i，j)上的释放的信息量，即信息素增量，Q表示全局信息量，为一个常数，Lk表示蜂鸟k走过的路径长度；

(6)重复步骤2到5，当蜂鸟收敛到同一路径或迭代达到最大次数时，停止迭代，输出最优权重和阈值。

2.根据权利要求1所述的用于退役电池的SOC、SOH联合估算方法，其特征在于：步骤S2中所述的确定电池实际可用容量，计算式为：CE＝SOH·QE

式中：CE为电池实际可用容量，QE为电池额定容量，SOH为根据所述试验数据联合蜂鸟‑神经网络算法估算所得的电池SOH。

3.根据权利要求1所述的用于退役电池的SOC、SOH联合估算方法，其特征在于：步骤S2中所述改进安时积分法是指将步骤S2中获得的电池实际可用容量，作为安时积分法的除数项。

4.根据权利要求1所述的用于退役电池的SOC、SOH联合估算方法，其特征在于：所述步骤S3包括以下内容：当电池开始工作时，利用改进安时积分法估算电池SOC，当电池SOC的值达到指定数值时，检索步骤S1中获得的电池离线模型参数数据，根据SOC值查找模型参数数据得到电池当前状态的开路电压(Uocv)值；然后，基于SOC对应开路电压(Uocv)的函数曲线关系，得到此时SOC的真实值，最后将此值作为改进安时积分法的初始SOC，再利用改进安时积分法实施SOC估算，直到电池工作状态结束，停止迭代。

5.根据权利要求4所述的用于退役电池的SOC、SOH联合估算方法，其特征在于：所述的指定数值包括0.1×h，其中h＝1,2,…,9。