1.一种基于双模型的锂离子电池组电压异常故障诊断方法，其特征在于：包括以下步骤：步骤1：收集电池充放电数据，包括电流、电压、温度和SOC；

步骤2：建立二阶等效电路模型ECM，用最小二乘法辨识模型参数，得到不同温度和SOC下二阶等效电路模型ECM的各参数；

步骤3：建立LSTM和全连接层Dense模型，用收集的正常的锂电池运行数据训练网络模型；

步骤4：LSTM预测得到的SOC分别用于二阶等效电路模型ECM和全连接层Dense模型输出端电压，然后联合两个模型输出的端电压得到一个精确的端电压；

步骤5：模型端电压与实际运行的端电压生成残差，用CUSUM评价残差，若超过阈值则认为发生了故障。

2.根据权利要求1所述的基于双模型的锂离子电池组电压异常故障诊断方法，其特征在于：步骤2中所述用最小二乘法辨识ECM模型参数，数学表达式为：最终得到不同温度和SOC下的模型各参数，其关系表示为

X＝fX(SOC，Te)

X为模型的某一参数，SOC为电池荷电状态，Te为测量温度；

带遗忘因子的最小二乘法辨识出的参数是(1‑a1‑a2)Uoc(k)，a1，a2，a3，a4，a5最终转换得到模型的参数是：τ1＝R1C1，τ2＝R2C2。

3.根据权利要求1所述的基于双模型的锂离子电池组电压异常故障诊断方法，其特征在于：步骤3中所述LSTM网络和全连接层Dense均包括输入层、输出层和隐含层，所述LSTM网络的输入为：其中k和n分别表示输入样本时间窗口和样本数，I表示样本电流，Ut表示样本端电压，T表示样本温度；

所述LSTM网络的输出为预测下一时刻的SOC；

所述LSTM网络根据数据量调整网络的超参数，包括隐层神经元个数，时间窗口k和batchsize大小；

所述全连接层Dense网络的输入为当前时刻的(It，Tt，SOCt)，其中，It表示当前时刻电流，Tt表示当前时刻温度，SOCt表示当前时刻SOC，所述全连接层Dense网络的输出为端电压，所述全连接层Dense网络根据数据量调整网络的超参数，包括隐层神经元个数和batchsize大小。

4.根据权利要求1所述的基于双模型的锂离子电池组电压异常故障诊断方法，其特征在于：步骤4中二阶等效电路模型ECM和全连接层Dense各自得到端电压，分别表示为UtE，UtD，联合这两个模型得到更为准确的Ut，其具体数学表达式为：SOC＝LSTM(I,Ut,T)；

UtD＝Dense(I,T,SOC)；

UtE＝ECM(I,T,SOC)；

5.根据权利要求1所述的基于双模型的锂离子电池组电压异常故障诊断方法，其特征在于：步骤5中，模型端电压与实际运行的端电压生成残差，用CUSUM评价残差，若超过阈值则认为发生了故障，取上累积和计算各点：xi‑(μ+kσ)，其中xi为各时刻的残差值，即模型端电压与实际运行端电压之差，μ是目标值取0，σ是总体偏差，取hσ为阈值，k，h分别为参考值和决策值，根据运行长度选择。

6.根据权利要求1所述的基于双模型的锂离子电池组电压异常故障诊断方法，其特征在于：实验采集电池数据时电压，电流，SOC以及温度的周期T为1秒。