1.一种基于数据驱动的动力电池健康状态预测方法，其特征在于，所述方法包括：采集电动汽车历史时间周期内的电池性能数据，并对所述电池性能数据进行数据预处理，得到电池运行数据；

根据所述电池运行数据，确定历史健康状态值以及融合健康特征，包括：根据Pearson相关系数法，对同型号电动汽车的不同车辆的所述电池运行数据进行筛选，提取并得到潜在健康特征；其中，所述潜在健康特征至少包括以下任意一项或多项：累积特征、工况特征以及单体一致性特征；

通过主成分分析法，对所述累积特征、工况特征以及单体一致性特征进行特征降维融合，得到所述融合健康特征；

根据所述融合健康特征以及所述历史健康状态值，训练LSTM神经网络模型，得到健康状态评估模型，具体包括：获取所述融合健康特征中的时间序列特征；

通过预设滑动宽度的滑动窗口，将所述时间序列特征划分为预设滑动宽度的多个时序样本，得到健康特征序列；并将所述健康特征序列进行归一化处理，得到融合健康特征序列；

将所述融合健康特征序列与所述历史健康状态值进行非线性映射，得到非线性映射关系；

根据所述融合健康特征序列、所述历史健康状态值以及非线性映射关系，对所述LSTM神经网络模型进行训练，得到所述健康状态评估模型；其中，所述融合健康特征序列为所述健康状态评估模型的训练输入端，所述历史健康状态值为所述健康状态评估模型的训练输出端；

根据所述融合健康特征，对预搭建的Prophet模型进行迭代优化计算，得到融合健康特征预测模型，具体包括：根据前期序列以及后期序列，建立所述Prophet模型；

根据预设的适应度函数，确定出PSO迭代模型；

根据所述PSO迭代模型的适应度参数，对所述Prophet模型进行参数优化，得到优化后的Prophet模型；其中，所述Prophet模型至少包括以下任意一项或多项：趋势模型、周期模型以及节假日模型；

根据所述优化后的Prophet模型的优化参数以及所述PSO迭代模型的粒子参数，建立所述融合健康特征预测模型，具体包括：根据所述优化后的Prophet模型的优化参数，确定出所述PSO迭代模型的粒子参数；

将所述粒子参数中的粒子位置以及粒子速度进行初始化处理；

通过验证集，对所述优化后的Prophet模型进行验证；

验证通过后，根据所述优化后的Prophet模型，对所述PSO迭代模型中的粒子进行适应度更新计算，得到粒子适应度个体极值以及粒子适应度群体极值；

对所述粒子适应度个体极值以及粒子适应度群体极值进行粒子最大迭代次数判断；

若达到所述粒子最大迭代次数，则输出所述优化后的Prophet模型的优化参数，并根据所述优化参数、所述优化后的Prophet模型以及所述PSO迭代模型，训练神经网络模型，得到所述融合健康特征预测模型；

若没有达到所述粒子最大迭代次数，则将所述粒子参数中的粒子位置以及粒子速度进行迭代更新，重新对所述PSO迭代模型中的粒子进行适应度更新计算，得到更新后的粒子适应度个体极值以及粒子适应度群体极值；

根据所述融合健康特征预测模型以及所述健康状态评估模型，得到未来健康状态预测结果，具体包括：获取待测电动汽车的所述融合健康特征中的待测时间序列数据；

将所述待测时间序列数据输入到所述融合健康特征预测模型中，得到未来融合健康特征预测值；

将所述未来融合健康特征预测值输入到所述健康状态评估模型中，得到所述待测电动汽车的未来健康状态预测结果，以实现对所述待测电动汽车中电池健康状态的性能预测；

其中，所述未来健康状态预测结果中包括当前时间周期的下一时间周期内的电池性能数据。

2.根据权利要求1所述的一种基于数据驱动的动力电池健康状态预测方法，其特征在于，采集电动汽车历史时间周期内的电池性能数据，并对所述电池性能数据进行数据预处理，得到电池运行数据，具体包括：通过车载数据采集终端，对所述电动汽车进行所述电池性能数据的采集；其中，所述电池性能数据至少包括以下任一项或多项：BMS数据、电池SOC数据以及驱动电机数据；

将所述电池SOC数据的真实值与显示值进行对应关系修正，并将所述电池SOC进行插值处理，得到修正数据；

筛除所述修正数据的无关数据项，得到相关数据；其中，所述无关数据项为连续为0的数据以及为乱码数据片段；

根据所述电动汽车是否熄火，将所述相关数据进行分类划分，得到所述电池运行数据；

其中，所述电池运行数据至少包括以下任意一项或多项：停车充电电池数据、行驶充电电池数据、电池容量数据以及行驶放电电池数据。

3.根据权利要求1所述的一种基于数据驱动的动力电池健康状态预测方法，其特征在于，根据所述电池运行数据，确定历史健康状态值，具体包括：提取所述电池运行数据中的电池容量数据；

通过安时积分法，计算动力电池的可用容量数据；

将所述可用容量数据中的温度数据进行多项式拟合修正，得到温度修正容量值；并将所述可用容量数据中心的电流数据进行线性拟合修正，得到电流修正容量值；

根据所述温度修正容量值以及所述电流修正容量值，消除所述电池容量数据中温度的偏差以及电流的偏差，得到修正可用容量数据；

通过容量箱型图，检测所述修正可用容量数据中的离群点并删除，得到优化容量值；

通过Savitzky‑Golay滤波器，对所述优化容量值中的时间序列进行多项卷积拟合，消除所述优化容量值中的高频噪声，得到所述历史健康状态值；其中，所述历史健康状态值包括当前电池容量值与额定电池容量值。

4.根据权利要求1所述的一种基于数据驱动的动力电池健康状态预测方法，其特征在于，在根据所述融合健康特征，对预搭建的Prophet模型进行迭代优化计算，得到融合健康特征预测模型之前，所述方法还包括：获取所述融合健康特征中单体一致性特征的时间序列数据；其中，所述单体一致性特征至少包括以下任意一项或多项：单体电压方差均值、单体电压方差极差、模组温度方差均值和模组温度方差极差；

根据所述时间序列数据内置的时间顺序，将所述时间序列数据划分为前期序列与后期序列；其中，所述前期序列为所述Prophet模型的训练集，所述后期序列为所述Prophet模型的验证集。

5.一种基于数据驱动的动力电池健康状态预测设备，其特征在于，所述设备包括：至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行根据权利要求1‑4任一项所述的一种基于数据驱动的动力电池健康状态预测方法。