1.一种锂离子电池健康状态估计方法，其特征在于，包括以下步骤：步骤1：收集不同工况下锂离子电池单体充放电的电压、电流、温度、容量数据，利用离群因子检测LOF方法对异常数据进行剔除；

步骤2：使用K折交叉法对数据进行划分，构建Stacking集成模型训练的数据集合；

步骤3：构建堆叠集成学习模型，并搭建基学习器和元学习器双层结构，将AST‑GRU和CNN‑RVFL作为基学习器，随机森林作为元学习器，把训练基学习器产生的元特征数据，输入到元学习器中进行学习；

步骤4：对堆优化算法HBO进行改进，采用singer混沌映射方法对种群进行初始化，引入维度学习的方法增强间接层的信息交互，得到IHBO算法；

步骤5：利用IHBO算法对步骤3中基学习器和元学习器的超参数进行优化，获得最优超参数，利用优化后的的堆叠集成学习模型对电池健康状态进行估计，得到锂电池健康状态的估计结果。

2.根据权利要求1所述的一种锂离子电池健康状态估计方法，其特征在于，所述步骤1中采用离群因子检测LOF方法对采集到的原始数据进行处理，包括以下步骤：步骤1.1：计算每个数据点的第k距离邻域内各点的第k可达距离，其公式为：reach_distk(o,p)＝max{dk(o),d(o,p)}    (1)其中，dk(o)为领域点o的第k距离，d(o,p)为邻域点o到点p的距离；

步骤1.2：计算每个点的局部第k局部可达密度，其公式为：

其中，Nk(p)为p点的第K距离邻域；

步骤1.3：计算每个数据点的第k局部离群因子：

步骤1.4：根据步骤1.3中计算得到的每个数据点的局部离群因子LOFk(p)，对最大的n个局部离群因子所述的数据点进行判断，如果数据点的LOFk(p)远大于1，表明该数据点跟其它数据点疏远，为一个异常点，并将异常点剔除。

3.根据权利要求1所述的一种锂离子电池健康状态估计方法，其特征在于，所述步骤2中采用K折交叉法对数据进行划分，构建Stacking集成模型训练的数据集合，包括以下步骤：步骤2.1：利用步骤1处理后的数据，建立电池健康状态数据集，并按照7：3的比例划分为训练集和测试集；

步骤2.2：将训练集均分为k份互斥的子数据集{train_1,train_2,…,train_k}；

步骤2.3：将第i份子数据集train_i作为验证集，剩余k‑1个子数据集作为新训练集Ntrain_i。

4.根据权利要求3所述的一种锂离子电池健康状态估计方法，其特征在于，所述步骤3中构建堆叠集成学习模型，搭建基学习器和元学习器双层结构，包括以下步骤：步骤3.1：使用步骤2.3中处理好的Ntrain_i对基学习器层的两个模型AST‑GRU和CNN‑RVFL进行训练，将train_i作为验证集输入到经过Ntrain_i训练好的模型中得到估计结果Pi，将步骤2.1中的测试集输入到Ntrain_i训练好的模型得到估计结果Yi；

步骤3.2：重复步骤3.1，直到i>k结束此操作，得到每个基学习器层模型对验证集的结果{P1,P2,…,Pk}和对测试集的结果{Y1,Y2,…,Yk}，将两个基学习器层模型对测试集的结果{Y1,Y2,…,Yk}进行加权平均分别生成集合T1和T2；

步骤3.3：将步骤3.2中得到的{P1,P2,…,Pk}合并成为元学习器的训练集Xtrain，此时Xtrain为一个包含两个特征值的集合，将{T1,T2}组合成集合Xtest输入到训练好的元学习器中得到预测值。

5.根据权利要求1所述的一种锂离子电池健康状态估计方法，其特征在于，所述步骤4中对堆优化算法HBO进行改进，包括以下步骤：步骤4.1：设置HBO算法的种群大小和迭代次数，以及搜索空间的上下限；

步骤4.2：采用singer混沌映射策略初始化算法的种群位置，改进后的公式如下所示：

2 3 4

Wh+1＝φ(7.86Wh‑23.31Wh+28.75Wh‑13.302875Wh),φ∈(0.9,1.08)    (4)步骤4.3：HBO算法的在进行堆更新时，位置更新公式如下所示：其中，z是当前迭代次数，h是一个解向量的第h个分量，E是当前个体的直接领导，n1，n2，n3被定义为：步骤4.4：在维度学习的搜索策略中，首先通过常规的堆优化搜索策略，将计算出的个体位置作为候选位置WHBO(h+1)，建立个体的当前位置的邻域Ni(t)，其公式如下：Ni(t)＝{Wj(h)|Li(Wi(h),Wj(h))≤Si(h),Wj(h)∈Pop}    (7)其中，Li为Wi(h)到Wj(h)的欧氏距离，Si(t)为个体当前位置与WHBO(h+1)之间的欧式距离；

步骤4.5：利用维度学习搜索策略计算出维度学习位置WDL(h+1)，公式如下所示：WDL,d(h+1)＝Wi,d(h)+rand×(Wn,d(h)‑Wr,d(h))    (8)其中，Wi,d(h)是步骤4.4得到的邻域Ni(t)中的随机个体位置，Wr,d(h)是个体矩阵内随机个体位置；

步骤4.6：通过加入维度学习的搜索策略，对堆优化算法位置更新进行改进，改进后的位置更新公式如下：

6.根据权利要求5所述的一种锂离子电池健康状态估计方法，其特征在于，所述步骤5中对利用IHBO算法对步骤3中构建的基学习器和元学习器的超参数进行优化，包括以下步骤：步骤5.1：初始化堆优化算法的相关参数，包括个体种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数；

步骤5.2：计算经过堆叠集成学习模型训练的预测值Ypi和样本实际值Ovi间的均方根误差，将其作为堆优化算法中每个个体的适应度值Fit：步骤5.3：根据随机数n确定个体更新策略，并计算出每个个体位置，利用公式(5)计算出个体的适应度值，并对其进行排序；

步骤5.4：利用维度学习策略重新对个体位置进行计算，使用公式(6)计算个体适应位置，将其与步骤5.3得到的个体适应度值进行比较，选出最优适应度值对应的最优位置；

步骤5.5：判断是否达到最大迭代次数，若达到，则输出最优解，并从中提取出基学习器和元学习器的超参数，否则返回步骤5.2；

步骤5.6：将元特征数据输入到优化后的堆叠集成模型中进行估计，得到最终的锂电池健康状态估计结果。