1.基于SREKF的锂电池健康状态的预测方法，其特征在于，具体操作过程包括如下步骤：步骤1，建立锂电池状态参数的数学模型，得到锂电池系统欧姆内阻的状态方程和欧姆内阻的观测方程；

步骤2，辨识锂电池模型离线参数，得到步骤4的平方根扩展卡尔曼滤波算法的初始值；

步骤3，获得SOC-Uoc的函数关系，将Uoc的输出序列代入步骤1的观测方程中，得到预测端电压Uc的输出序列；

步骤4，对扩展卡尔曼滤波算法进行改进得到平方根扩展卡尔曼滤波算法；

步骤5，将实验测量得到的锂电池电流序列输入到步骤4所建立的平方根扩展卡尔曼滤波算法中不断更新步骤1中建立的状态方程和观测方程，同时将实验测量得到的锂电池剩余容量序列输入到步骤3中得到的预测端电压Uc输出序列和此时输入的实验测量得到的锂电池端电压序列不断更新步骤4中的平方根扩展卡尔曼滤波算法中的锂电池系统当前状态的最优值xk|k，根据所给的实验测量序列值的数目使平方根扩展卡尔曼滤波算法不断迭代得到欧姆内阻预测值序列R0，即得到表征锂电池健康状态的状态量。

2.如权利要求1的基于SREKF的锂电池健康状态的预测方法，其特征在于，步骤1的具体过程如下：Uc为锂电池的端电压；Uoc为电池开路电压；R0为锂电池欧姆内阻；I为电池的工作电流；

Rs、Cs分别为电池电化学极化内阻与极化电容，表征电池内部缓慢的电极反应，两端的电压为Us；Rl、Cl分别为电池浓度极化电阻与极化电容，表征电池内部快速的电极反应，两端的电压为Ul；

令锂电池系统状态变量 建立的锂电池欧姆内阻的状态方程xk和欧姆内阻的观测方程 定义 分别如式(1)和式(2)所示；

其中，τl＝RlCl，τs＝RsCs，Ik-1为锂电池的充放电电流；Uc为锂电池的充放电端电压；wk-1为状态方程中加入的服从高斯分布的随机噪声，vk-1为观测方程中加入的服从高斯分布的随机噪声，表示状态更新过程和测量过程中存在的误差，随机噪声向量的分布假定为0均值的高斯分布，且假设噪声有如下统计学特性：p(wk-1)～N(0,P),

p(vk-1)～N(0,R),

其中，P为锂电池状态协方差的误差正定对称阵，R为锂电池量测协方差的误差正定对称阵。

3.如权利要求2的基于SREKF的锂电池健康状态的预测方法，其特征在于，步骤2的具体过程如下：选择待检测的锂电池在脉冲电流的情况下进行放电，选择锂电池刚开始放电的一段端电压的变化，根据欧姆定律中电池欧姆电阻R0＝ΔV/I，则电池充电内阻在停歇阶段，由于极化电容Cs和Cl的影响，电路电压变化为零状态响应，由公式通过曲线拟合得到参数Uoc、Ul、τl、Us、τs；

放电过程中，施加脉冲电流后由于极化电容的作用电压缓慢变化，由公式τl＝RlCl，τs＝RsCs辨识得出Rl，Rs，Cl和Cs。

4.如权利要求3的基于SREKF的锂电池健康状态的预测方法，其特征在于，步骤3的具体过程如下：放电情况下，锂电池充满电，静置足够长时间测量电池端电压得到SOC＝100％时的开路电压值，再对锂电池进行SOC每衰减10％恒流放电后搁置3h，测量电池端电压，稳定后的电池端电压视为开路电压；

充电情况下，先将电池电量放完，静置足够长时间测量电池端电压得到SOC＝0时的开路电压值，再对锂电池进行SOC每增长10％恒流充电后搁置3h，测量电池端电压，稳定后的电池端电压视为开路电压；

取同一个SOC下的充放电开路电压的平均值，则SOC-Uoc的函数关系式如(7)所示：结合测量所获得的剩余电量得到递推的Uoc序列，将所得的Uoc序列带入观测方程预测端电压Uc序列。

5.如权利要求4的基于SREKF的锂电池健康状态的预测方法，其特征在于，步骤4的具体过程如下：步骤4.1，根据步骤1的状态方程和观测方程，求取 和Ck-1＝[-Ik-1 -1 -1]，其中，Ak-1为状态雅可比矩阵，Ck-1为观测雅可比矩阵；Ak-1随着锂电池状态的不断更新而不断地变化，当SREKF算法进行递推迭代时要先给定锂电池的初始状态雅可比矩阵A0，A0是通过步骤2中辨识出的参数来确定；Ck-1随着实验测得的电流的输入不断地更新锂电池状态观测方程，当SREKF算法进行递推迭代时要先给定锂电池的初始观测状态雅可比矩阵C0，C0是通过实验测的电流序列第一个值确定；

步骤4.2，由步骤2辨识出的参数，再通过锂电池的状态方程确定初始化 P0为初始锂电池状态协方差的误差正定对称阵，记初始锂电池状态协方差的误差正定对称阵为Pk-1|k-1，对协方差矩阵进Pk-1|k-1进行cholesky分解，有其中，Sk-1|k-1为初始锂电池状态协方差的误差正定对称阵Pk-1|k-1cholesky分解的下三角矩阵；

步骤4.3，得到基于锂电池系统上一状态预测出当前状态方程如下：其中， 为锂电池系统上一个时刻预测出的状态，uk-1为锂电池系统上一个时刻的输入电流，xk|k-1为锂电池系统的先验状态，wk-1为锂电池系统上一个时刻预测出的状态得到先验状态所加入的随机噪声，该噪声的协方差矩阵用P表示；

步骤4.4，由传统卡尔曼滤波算法中的先验状态协方差矩阵Pk|k-1推导出当前状态协方差的预测方程，如式(2)所示：则 其中， 为锂电池系统当前状态的先验协方差矩阵；Ak-1为锂电池系统上一时刻的状态雅可比矩阵；

则卡尔曼增益方程如式(3)所示：

其中，Kk是锂电池系统当前时刻的卡尔曼增益，通过卡尔曼增益把对锂电池系统进行状态预测的先验状态xk|k-1和先验协方差 与后验协方差 联系起来，记推导过程见步骤4.6，Rk-1为锂电池系统上一个时刻量测协方差的误差正定对称阵；

步骤4.5，根据当前状态的预测值，再收集当前状态的测量值，结合预测值和测量值，得到当前状态的最优值，得到更新状态的最优值如式(4)和式(5)所示：其中， 为锂电池系统上一个步骤的预测端电压，由步骤3得到；xk|k是锂电池系统当前状态的最优值，即为所求得的最优状态；yk-1是上一个时刻需要输入锂电池系统的实验测量端电压值；

步骤4.6，得到滤波协方差更新，由传统的卡尔曼滤波算法中更新后的先验协方差Pk|k推导出当前状态的滤波协方差更新 如式(6)所示：记 则有 式中，

若使 成立，设

比较等式两边看出，要使等式成立，必须有

求解此方程，有

则

故得

其中， 是锂电池系统当前状态的后验协方差，αk和Fk是由EKF算法中的Pkk推导出SREKF算法中 所产生的中间项。

6.如权利要求1的基于SREKF的锂电池健康状态的预测方法，其特征在于，步骤5中得到欧姆内阻估计值序列R0，结合公式 得到锂电池的健康状态，其中，REol是锂电池寿命终止时的欧姆内阻，Rnew为锂电池全新未使用时的欧姆内阻。