1.一種基于特征解耦的域泛化鋰電池健康狀態估計方法，其特征在于，包括以下步驟：s1、采集多組鋰電池在不同環境溫度和不同充電倍率下的全生命周期運行數據，所述運行數據至少包括電壓、電流及容量序列；s2、將所述運行數據按工況條件劃分為訓練集與測試集，其中訓練集與測試集分別對應互不重疊的工況組合，且所涉及的電池個體無交集；s3、構建雙支路特征提取網絡，所述雙支路包括：transformer-cnn混合支路，用于提取輸入時序信號中的長程依賴關系與全局上下文信息；多層cnn支路，用于提取充放電曲線中的局部關鍵形態特征；s4、對雙支路輸出的全局特征與局部特征分別進行通道維度上的二等分解耦，得到域不變健康特征與工況干擾特征；s5、將兩支路解耦出的健康特征進行跨尺度融合，形成融合后的域不變健康表征，并將其輸入soh估計模塊以輸出健康狀態估計值；同時，將兩支路解耦出的工況干擾特征進行融合后輸入工況識別模塊以輸出工況類別預測；s6、采用包含soh估計損失、工況識別損失和信息互斥損失的聯合損失函數對網絡進行端到端訓練，其中所述信息互斥損失采用infonce對比損失形式，用于最小化健康特征與工況特征之間的互信息；s7、將訓練完成的網絡直接部署于目標域，利用目標域運行數據執行在線soh估計，過程中不使用任何目標域數據進行微調或校準。
2.根據權利要求1所述的方法，其特征在于，所述輸入時序信號為重采樣至固定長度的多變量序列，包括電壓序列與容量增量序列。
3.根據權利要求1所述的方法，其特征在于，所述transformer-cnn混合支路依次包含多個transformer編碼器和卷積層，每個卷積層由卷積算子、批歸一化層和激活函數構成，最終通過全局平均池化生成全局特征；所述多層cnn支路包含多個二維卷積層，用于生成局部形態特征。
4.根據權利要求1-3任意一項所述的方法，其特征在于，所述域不變健康特征與工況干擾特征均為8維向量，通過對16維原始特征沿通道維度均分獲得。
5.根據權利要求4所述的方法，其特征在于，所述soh估計模塊為包含兩個隱藏層的全連接神經網絡，每層包含8個神經元，激活函數為relu，損失函數為均方誤差；所述工況識別模塊為無隱藏層的全連接分類器，損失函數為交叉熵損失。
6.根據權利要求5所述的方法，其特征在于，所述聯合損失函數中各子損失項的權重通過gradnorm算法動態自適應調整，以平衡多任務學習過程。
7.一種基于特征解耦的域泛化鋰電池健康狀態估計系統，其特征在于，包括：
8.根據權利要求7所述的系統，其特征在于，所述系統部署于電池管理系統中，無需存儲或采集目標應用場景下的先驗數據；訓練階段僅使用源域工況數據，測試階段泛化至未見過的溫度、充電倍率組合，且不要求目標域提供任何標記或未標記數據。