1.一种动力锂离子电池健康状态在线预估方法，其特征在于，包括以下步骤：(1)建立动力锂离子电池二阶RC模型下欧姆内阻、浓差极化内阻、浓差极化电容与健康状态值的BP神经网络预测模型；

(2)采集处于工况状态中的动力锂离子电池的实时在线端电压与电流数据，基于改进递推最小二乘法辨识实时工况下的二阶RC模型参数；

(3)认为在一次充放电结束前，动力锂离子电池的健康状态基本不变，实时更新二阶RC模型参数，健康状态采用上一时刻的预估值；

(4)一次充放电完成后，计算整个充放电过程中的动力锂离子电池内部参数均值，将其作为BP神经网络预测模型的输入，更新动力锂离子电池的健康状态值；重复步骤(2)‑(4)，从而实时获取健康状态估计值。

2.根据权利要求1所述动力锂离子电池健康状态在线预估方法，其特征在于，步骤(1)的具体过程如下：

(11)建立动力锂离子电池的等效电路模型：二阶RC模型；

(12)测量动力锂离子电池在不同荷电状态下的开路电压值，采用曲线拟合方式拟合得出开路电压与荷电状态的曲线关系；

(13)对动力锂离子电池模拟联邦测试运行工况进行充放电测试，采集电池放电过程中的端电压与电流数据，通过改进的递推最小二乘法完成实时工况下模型参数的在线辨识；

(14)估算工况结束后欧姆内阻、浓差极化内阻和浓差极化电容的均值，并将离线测试动力锂离子电池的健康状态值作为健康状态真值，建立输入集为欧姆内阻、浓差极化内阻和浓差极化电容，输出集为对应健康状态值的BP神经网络预测模型。

3.根据权利要求2所述动力锂离子电池健康状态在线预估方法，其特征在于，所述二阶RC模型包括浓差极化内阻、浓差极化电容、扩散电阻和扩散电容，浓差极化内阻与浓差极化电容构成的并联电路、扩散电阻与扩散电容构成的并联回路依次与电源和欧姆内阻串联。

4.根据权利要求2所述动力锂离子电池健康状态在线预估方法，其特征在于，步骤(13)‑(14)的具体过程如下：(a)按递推最小二乘格式建立动力锂离子二阶RC电路的数学模型：其中，λ为递推最小二乘权重系数，Pn为当前时刻的状态转移矩阵， 为当前时刻状态预估，Kn为当前时刻的增益因子，yn为当前时刻的输出矩阵， 为当前时刻的系统输入矩阵，下标n和n‑1分别表示当前时刻和上一时刻；

(b)使用工况放电，采集输入电流与输出电压；

(c)将数据代入改进的递推最小二乘法，完成模型参数的在线辨识；

(d)离线测试获取当前状态下电池的健康状态；

(e)重复步骤(b)‑(d)，测试多组动力锂离子电池，直至电池的健康状态低于80％；

(f)获取欧姆内阻、浓差极化内阻、浓差极化电容的作为输入集，对应的健康状态值作为输出集，通过BP神经网络建立预测模型。

5.根据权利要求2所述动力锂离子电池健康状态在线预估方法，其特征在于，通过改进的递推最小二乘法辨识模型参数的过程如下：建立动力锂离子电池的最小二乘数学模型，根据基尔霍夫电压定量得：其中，UOC为开路电压，τp1＝Rp1.Cp1，τp2＝Rp2.Cp2，Ro为欧姆内阻，Rp1为浓差极化内阻，Cp1为浓差极化电容，Rp2为扩散电阻，Cp2为扩散电容，i为电流，U为端电压；

令：

a＝τp1τp2，b＝τp1+τp2，c＝Rp1+Rp2+Ro，d＝Rp1τp2+Rp2τp1+Ro(τp1+τp2)，离散化处理后得：Uoc(k)‑U(k)＝m1[U(k‑1)‑Uoc(k‑1)]+m2[U(k‑2)‑Uoc(k‑2)]+m3i(k)+m4i(k‑1)+m5i(k‑2)

2 2 2

设T为系统采样时间间隔，m1＝(‑bT‑2a)/(T +bT+a)，m2＝a/(T+bT+a)，m3＝(cT +dT+

2 2 2

aRo)/(T+bT+a)，m4＝(‑dT‑2aRo)/(T+bT+a)，m5＝aRo/(T+bT+a)；

则需要辨识的参数：

Ro＝m5/m2，Rp1＝(τp1c+τp2Ro‑d)/(τp1‑τp2)，Rp2＝c‑Rp1‑Ro，Cp1＝τp1/Rp1，Cp2＝τp2/Rp2。