1.一种锂电池健康状态估算方法，其特征在于，具体按照以下步骤实施：步骤1、获取锂电池在出厂时的额定容量列入容量矩阵中；

步骤2、获取锂电池在恒流条件下不停充放电直至电池报废结束的实时充电电压数据，在每次充电前计算锂电池的当前容量；并将当前容量和实时充电电压数据分别列入矩阵中，得到容量样本矩阵和电压样本矩阵；

步骤3、对初始电压样本矩阵采用独立成分分析算法，得到ICA电压样本；

步骤4、划分数据集：将ICA电压和容量样本划分为80％的训练集和20％的测试集；

步骤5、基于ICA样本训练集，采用遗传算法自动训练相应的LSTM‑RNN模型；

步骤6、将ICA样本测试集作为步骤5训练得到的LSTM‑RNN模型的输入，经过测试选择一个真实值和预测值之间适应度值最小的网络结构作为最终的预测模型；

步骤7、对训练得到的LSTM‑RNN的最终模型输入另一块电池的电压数据，预测电池剩余容量，计算出该电池的健康状态。

2.根据权利要求1所述的一种锂电池健康状态估算方法，其特征在于，所述步骤1具体按照以下实施：获取锂电池在出厂时的额定容量，将锂电池的额定容量列入一个矩阵，矩阵是该电池当前状态下容量矩阵，此时容量矩阵中有1个元素。

3.根据权利要求1所述的一种锂电池健康状态估算方法，其特征在于，所述步骤2具体按照以下步骤实施：

步骤2.1、每次对锂电池充电时，先测量锂电池充电之前的剩余容量，在电池充满电之后，便可计算出该电池当前的电池容量，该电池当前容量等于本次充电所需充电量与剩余容量之和；当电池当前容量为额定容量的80％时测量了M次，在80％以下时将不再测量，将电池视为报废状态；将电池当前容量放入该电池的容量矩阵中；此时该矩阵中有M+1个元素；

步骤2.2、在测量锂电池的当前容量后，立即测量锂电池在恒流条件下不停充或放电的实时电压数据，共n个电压数据，对每个锂电池进行M+1次测量，并将电压数据列入一个电压矩阵中；此时该矩阵为(M+1)*n维。

4.根据权利要求3所述的一种锂电池健康状态估算方法，其特征在于，所述步骤3具体按照以下步骤实施：

步骤3.1、每个锂电池的电压数据可以表达为(M+1)*n维的矩阵Y；根据每一行的电压样本均值对矩阵Y进行标准化，得到标准化矩阵P，其中j＝1,2,...M+1；

步骤3.2、对标准化后的电压数据进行白化处理，得到白化变换矩阵QPAC,根据公式：Z＝QPACP     (3)

得到白化矩阵Z；

步骤3.3、构建ICA模型，根据公式S＝WZ      (4)

通过设定不同的随机数种子，采用FastICA算法求取ICA模型的混解矩阵W与独立成分矩阵S，即得到ICA电压样本。

5.根据权利要求1所述的一种锂电池健康状态估算方法，其特征在于，所述步骤4具体按照以下实施：将ICA电压样本和容量样本划分为80％的训练集和20％的测试集；其中电压样本为LSTM‑RNN模型的输入，容量样本为LSTM‑RNN模型期待输出的真实值。

6.根据权利要求1所述的一种锂电池健康状态估算方法，其特征在于，所述步骤5具体按照以下步骤实施：

步骤5.1、初始化参数生成初始LSTM‑RNN模型；采用遗传算法，将由二进制编码的网络视为一个个体，首先创建一个由多个网络个体形成的初始种群；种群中的每个个体将由两种主要类型的层组成，并且将固定LSTM‑RNN网络的大小为4，其中LSTM两层，Dense两层；

步骤5.2、将处理过的训练集数据进行分组，每一组的数据逐步输入到LSTM‑RNN网络结构中，对LSTM‑RNN网络进行训练；

步骤5.3、通过遗传算法直接作用于LSTM‑RNN网络的编码，对其进行交叉和变异等遗传操作，并且对进化后的个体进行适应度评估，不断迭代使得种群朝着更好的方向进化，进而实现了对网络结构的自动学习，得到一组良好的LSTM‑RNN网络结构。

7.根据权利要求6所述的一种锂电池健康状态估算方法，其特征在于，所述步骤5.1具体按照以下步骤实施：

步骤5.1.1、每个网络结构，采用固定的大小为4的LSTM‑RNN网络，其中LSTM两层，Dense两层；然后随机选择每个层的类型，同时每个层的超参数的有效范围将被固定；

步骤5.1.2、LSTM层和Dense层的编码规则：将一个网络编码成整形向量。这个网络中的每个LSTM/Dense层被编码成整形向量的一个块；那么进化的LSTM‑RNN网络的所有层都可以表示为固定的块序列；同时，将每个块进一步划分为几个连续字段，网络层的每个超参数占一个字段。

8.根据权利要求6所述的一种锂电池健康状态估算方法，其特征在于，所述步骤5.3具体按照以下步骤实施：

步骤5.3.1、评估个体的适应度值：适用度评价函数使用四个参数。这四个参数分别是编码后的LSTM‑RNN结构、训练迭代次数、训练集和验证集；适应度评估是对解码后的LSTM‑RNN结构在训练集上进行固定数量的训练，然后在验证集上评估网络的准确性，以获得用作适应度值的精度；

步骤5.3.2、通过选择、交叉和变异产生新的网络结构，将二进制网络解码为十进制，并评估新网络的适应度值，每次迭代将适应度值低的个体保留下来，删除适应度值高的个体，始终保持种群大小为N，当周期数达到设定值时结束迭代，输出一组良好的LSTM‑RNN网络。