1.一种退役动力电池最大可用容量动态估算方法，其特征在于，包括以下步骤：步骤S1：通过充电曲线提取与电池容量衰减相关的特征量，并采用异质点算法对特征量中的异常数据点进行清洗，提高特征量所含有效信息量；所述与电池容量衰减相关的特征量包括：特征量P1电池温度、特征量P2电池充电倍率、特征量P3截止电压充电时长以及特征量P4电压降落最小曲率半径，所述截止电压充电时长是指电池充电时达到截止电压所需时间，电压降落最小曲率半径是指恒流充电结束后电池静置阶段的电压降落曲线弯曲段的曲率半径；

步骤S2：建立以相关向量机算法为基础的容量估算模型，同时引入蜂鸟算法优化模型参数；

步骤S3：基于所得特征量和改进容量估算模型对退役电池容量进行估算。

2.根据权利要求1所述的退役动力电池最大可用容量动态估算方法，其特征在于：步骤S1中所述的电压降落最小曲率半径计算公式如下：式中，ρ为曲率半径，κ为曲率，z为目标曲线。

3.根据权利要求1所述的退役动力电池最大可用容量动态估算方法，其特征在于：步骤S1中所述的采用异质点算法对特征量中的异常数据点进行清洗，计算式如下：式中，LOAk(p)为特征量中数据点p的离群因子，Nk(p)为点p的k距离邻域，点o为邻域内某一点，lrdk(p)，lrdk(o)分别为点p和点o的局部可达密度。

4.根据权利要求1所述的退役动力电池最大可用容量动态估算方法，其特征在于：所述引入蜂鸟算法优化模型参数，在蜂鸟算法中对信息素启发因子α和期望启发因子β的更新迭代公式进行改进，计算公式如下：

式中：Dnow为算法当前迭代次数。

5.根据权利要求1所述的退役动力电池最大可用容量动态估算方法，其特征在于：步骤S2具体包括以下内容：

(21)将经过异质点算法处理后的特征量P1、P2、P3和P4作为RVM算法的输入值，电池容量作为算法的输出值，构建RVM容量估算模型；

(22)利用IHA算法对RVM算法的核函数参数进行寻优，并利用所述特征量进行模型训练确定核函数参数的最优解。

6.根据权利要求5所述的退役动力电池最大可用容量动态估算方法，其特征在于：所述步骤(22)包括以下步骤：

(1)将待优化的核函数参数设置为N个随机的非零值，形成集合RN，设蜂鸟的总数为S，每只蜂鸟从鸟巢出发觅食，即每只蜂鸟根据集合RN中每个元素的信息素状态，随机的从集合中选择一个元素，每个元素被选概率遵从下式：式中： 表示时刻t蜂鸟k依据元素i和元素j之间的信息量和启发式信息来进行备选元素选择的转移概率，τij(t)表示t时刻元素i与元素j之间的信息量，ηij(t)为对应τij(t)的启发式函数，α为信息素启发因子，β为期望启发因子，cank为蜂鸟k下一步可以选择的元素集合，s表示从集合cank中随机选取的元素，τis(t)表示t时刻元素i与元素s之间的信息量，ηis(t)为对应ηis(t)的启发式函数；

(2)初始化，迭代次数Dc＝1，设置最大迭代次数为Dmax，每个蜂鸟所携带的初始信息量τ0(0)＝0，释放的信息量Δτ0(0)＝0，所有蜂鸟位居鸟巢；

(3)蜂鸟出发觅食，觅食搜索过程相互独立，根据元素所含信息量，按照步骤(1)中的公式计算每个元素被选择的概率；

(4)重复步骤3，直到蜂鸟完成全部元素的选择后停止计算；

(5)将蜂鸟所选择的元素，作为核函数参数，对RVM容量估算模型进行学习训练，得到RVM容量估算模型的实际输出，对比期望值ξ，得到对应的网络误差δ，并据此更新集合中元素的信息量，信息量全局更新规则如下：式中：τij(t)和τij(t+1)分别表示t时刻和下一时刻元素i与元素j之间的信息量，S为蜂鸟总数，ρ表示信息量挥发系数， 表示蜂鸟k在路径(i，j)上的释放的信息量，即信息素增量，Q表示全局信息量，为一个常数，Lk表示蜂鸟k走过的路径长度；

(6)重复步骤2到5，当蜂鸟收敛到同一路径或迭代达到最大次数时，停止迭代，输出最优核函数参数。