1.一种锂电池组健康状态集成估计方法，其特征在于：具体包括以下步骤：S1、测量锂电池组随着充放电周期的健康状态数据序列以及特征数据序列，其中，锂电池组随着充放电周期的特征数据序列包括每一个充放电周期内充电阶段端电压和温度的变化数据；

S2、对每一个充放电周期内充电阶段端电压和温度的变化数据进行统计分析，计算锂电池组随着充放电周期的端电压的卡方数据序列和温度方差数据序列；

S3、将计算后得到的端电压卡方数据序列、温度方差数据序列和健康状态数据序列分为初步建模训练数据集、集成模型训练数据集；

S4、基于初步建模训练集，应用长短时记忆神经网络与极限学习机分别初步建立锂电池组健康状态估计模型，基于集成模型训练数据集建立锂电池组健康状态集成估计模型；

S5、应用建立的锂电池组健康状态集成估计模型估计锂电池组的健康状态；

所述步骤S1具体内容如下：

测量的锂电池组健康状态随着充放电周期的变化数据为H1,H2,...,Hn，对应的锂电池组随着充放电周期的健康状态数据序列为[H1,H2,...,Hn]，其中， Hi为第i(i＝1,

2,...,n)个充放电周期锂电池组的健康状态，n为充放电周期个数，Ci为第i个充放电周期锂电池组的放电容量，C为锂电池组的额定容量；

所述的步骤S2具体内容如下：

单节锂电池端电压卡方随着充放电周期的变化数据为V1,r,V2,r,...,Vn,r，对应的锂电池组电压卡方数据序列为 其中，

Vi,r为第r(r＝1,2,...m)节锂电池在第i个充放电周期的电压卡方，m为锂电池组中单体锂电池数量，xi,j,r为第r节锂电池第i个充放电周期内第j(j＝1,2,...,Ni,r)个采样点的电压值， 为第r节锂电池第i个充放电周期内采样点电压的平均值，Ni,r为第r节锂电池第i个充放电周期内端电压采样点总数；

锂电池组的温度方差随着充放电周期的变化数据为T1,T2,...,Tn，对应的温度方差数据序列为[T1,T2,...,Tn]，其中， Ti为第i个充放电周期锂电池组的温度方差，Ti,j为第i个充放电周期内第j个采样点的温度值， 为第i个充放电周期内采样点温度的平均值，N'i为第i个充放电周期内锂电池组温度采样点总数；

所述的步骤S3的具体内容如下：

以前k(k＝1,...,n‑1)个充放电周期锂电池组的端电压卡方数据序列、温度方差数据序列和健康状态数据序列构造初步建模训练数据集： 和以其它n‑k个充放电周期的锂电池组的端电压卡方数据序列、温度方差数据序列和健康状态数据序列构造集成模型训练数据集： 和所述步骤S4的具体内容如下：

采用初步建模训练数据集中前k个充放电周期的锂电池组电压卡方与温度方差数据作为训练样本，对应的每一个充放电周期的健康状态数据 作为训练目标，分别应用长短时记忆神经网络与极限学习机初步建立锂电池组健康状态估计模型；

使用集成模型训练数据集建立锂电池组健康状态集成估计模型步骤为：(a)：依次使用第k+1，k+2，...，n个充放电周期的锂电池组的端电压卡方数据序列、温度方差数据序列和健康状态数据序列进行二次训练，分别记录n‑k次长短时记忆神经网络与极限学习机的训练误差，并构造长短时记忆神经网络误差数组Alstm与极限学习机误差数组Aelm：

Alstm＝{Elstm,1,Elstm,2,...,Elstm,λ,Z},Aelm＝{Eelm,1,Eelm,2,...,Eelm,λ,Z}其中，Elstm,λ为长短时记忆神经网络第λ(λ＝1,...,n‑k)次对锂电池组健康状态进行估计的绝对误差，Eelm,λ为极限学习机第λ次对锂电池组健康状态估计的绝对误差， 为零误差数据序列，HR,λ为第λ次估计锂电池组健康状态时锂电池组的健康状态真实值，Hlstm,λ为长短时记忆神经网络第λ次对锂电池组健康状态进行估计的健康状态估计值，Helm,λ为极限学习机第λ次对锂电池组健康状态进行估计的健康状态估计值；

(b)：分别计算长短时记忆神经网络与极限学习机的误差数组Alstm,Aelm的标准差Sdelstm,Sdeelm；

(c)：根据长短时记忆神经网络误差数组Alstm的标准差Sdelstm与极限学习机误差数组的标准差Sdeelm，计算长短时记忆神经网络与极限学习机的输出权重：(d)：基于长短时记忆神经网络的输出权重ωlstm与极限学习机的输出权重ωelm，建立锂电池组健康状态集成估计模型；

所述的步骤S5的具体内容如下：

最终的锂电池组健康状态估计值：Hestimation＝Hlstm×ωlstm+Helm×ωelm，其中，Hlstm为长短时记忆神经网络的健康状态估计值，Helm为极限学习机的健康状态估计值。