1.一种基于等压升能量和改进GRU的锂电池健康状态估计方法，其特征在于，所述方法包括如下步骤：S1、获取锂电池每个充放电循环的健康状态数据和充电能量数据；

S2、从每个充放电循环的充电能量数据中提取等压升间隔能量序列，绘制等压升能量充电曲线，并计算出每个充放电周期所对应的等压升能量充电曲线的峰值序列；

S3、将等压升能量充电曲线的峰值序列与健康状态序列进行归一化预处理后作为输入数据；

S4、在GRU网络中增加翻转层和概率层，改进GRU网络，构建锂电池健康状态的网络估计模型；

S5、应用构建的锂电池健康状态网络估计模型对锂电池健康状态进行估计，其中，在所述的步骤S4中：

翻转层反转输入数据序列顺序，同时读取正向和反向数据，翻转计算公式如下：*

l＝size(x)；

*

其中，l为一个常数，代表输入序列的长度大小，size为维度函数， 为与x同维度的反向序列，flip为翻转函数，dim为反向运算的维度方向；

概率层对输入数据按照一定的概率进行保留和删除，概率计算公式如下：gi＝Bernoulli(p)；

其中，p为一个概率值，0

0,1序列，为按照概率保留下来的数据，y输出数据，w为保留数据的权重，b为偏置；

GRU网络中主要数据处理过程如下：

zt＝σ1(wz*[ht‑1,xt]+bz)

rt＝σ1(wr*[ht‑1,xt]+br)

其中，更新门zt衡量t‑1时刻的信息被保留在t时刻的程度，重置门rt用来控制t‑1时刻的信息被保留在t时刻候选隐藏信息 上的多少，根据t时刻更新门状态和t时刻候选隐藏状态计算输出门的隐藏状态ht；wz，wr和wh分别为更新门、重置门和隐藏状态的权重，bz，br和bh分别为更新门、重置门和隐藏状态的偏置；σ1和σ2分别为sigmoid型tanh型激活函数，⊙为矩阵元素点乘；

取峰值序列和健康状态序列的前k(k＝1,…,n‑1)个样本值 和 作为训练集，k＝1,…,n‑1，取第k+1,k+2,…,n个样本值 和 作为测试集，通过改进的GRU网络构建电池健康状态估计模型。

2.根据权利要求1所述的基于等压升能量和改进GRU的锂电池健康状态估计方法，其特征在于，在所述步骤S1中：充放电循环过程的锂电池健康状态数据序列为H1,H2,...,Hn，其中所测量的数据其中Hi为第i个充放电循环的电池健康状态，i＝1,2,K,n，n为循环充放电次数，Ci为第i个充放电过程锂电池的最大放电容量，C为锂电池的额定容量；充电能量数据为E0,E1,...,Et，其中所测量的能量数据Ej＝E0+∑UIt，其中Ej为j时刻充电能量，E0为初始能量，U为充电端电压，I为充电电流，t为充电时间。

3.根据权利要求2所述的基于等压升能量和改进GRU的锂电池健康状态估计方法，其特征在于，所述的步骤S2的过程包括：通过固定电压升值所对应的能量序列E0,EΔV,…,EmΔV来快速绘制等压升能量充电曲线，计算等压升能量充电曲线的峰值序列为F1,F2,…,Fn，其中，Fi为i个充电循环内等压升能量的最大变化率，

Ei,aΔV、Ei,(a+1)ΔV分别为第i个充电循环内，电池在相邻的第a，a+1个等压间隔的充电能量，a＝0,…,m‑1，ΔV为间隔电压，y为充电过程中的总上升电压。

4.根据权利要求3所述的基于等压升能量和改进GRU的锂电池健康状态估计方法，其特征在于，所述的步骤S3的过程包括：采用最大最小值归一化预处理数据，将数据归一化在区间[‑1,1]之间；其中，归一化公式为 x为预处理数据序列，xmin为数据序列x中最小值，xmax为数据序列x中最大值。

5.根据权利要求4所述的基于等压升能量和改进GRU的锂电池健康状态估计方法，其特征在于，所述步骤S5的过程包括：用峰值序列的第k+1,…,n充放电循环数据 作为输入，应用建立的锂电池健康状态估计模型进行估计。