1.一种电动汽车的电池健康状态的估计方法，其特征在于，包括以下步骤：
s1：利用大数据平台对相同型号电池的电池健康状态参数进行采集，获取所述电池健康状态参数的数据库，并根据所述数据库中的电池健康状态参数数据建立回归模型；
s2：利用所述回归模型对所述电池健康状态参数进行分析，获取所述回归模型的输出数据；其中，所述回归模型的输出数据包括电动汽车的修正电池健康状态信息；
s3：将所述输出数据区分为离群点和正常点，并根据预设的电池健康状态数据阈值将所述离群点划分为容量再生点和异常点，并对所述异常点进行均值处理；将所述容量再生点和所述被处理后的异常点均值代入第一预测模型，生成容量再生结果；
s4：将所述正常点进行数据分布平衡处理，并将处理后的所述正常点代入第二预测模型，生成正常结果；
s5：利用所述容量再生结果替换同一时刻的所述正常结果，生成组合结果，并将所述组合结果输出为所述电动汽车的电池健康状态的估计结果。
2.如权利要求1所述的电动汽车的电池健康状态的估计方法，其特征在于，所述电池健康状态参数包括电池温度、电池电流、电池电压、初始电池健康状态信息。
3.如权利要求2所述的电动汽车的电池健康状态的估计方法，其特征在于，所述步骤s1中，根据所述数据库中的电池健康状态参数数据建立所述回归模型，包括：
通过对所述数据库中的电池健康状态参数数据划分为训练集和测试集，根据训练集建立初始模型，并通过所述测试集对所述初始模型进行验证，得到所述回归模型。
4.如权利要求3所述的电动汽车的电池健康状态的估计方法，其特征在于，所述回归模型为线性回归模型；并且，
所述第一预测模型为极端梯度提升模型；并且，
所述第二预测模型为自注意力模型、长短期记忆网络、门控循环单元网络、循环神经网络中的任意一种。
5.如权利要求4所述的电动汽车的电池健康状态的估计方法，其特征在于，所述步骤s3中，将所述输出数据区分为离群点和正常点，包括：
获取所述回归模型的模型参数；其中，所述模型参数包括自变量、因变量和常量；
通过对所述常量的数值进行调节，并根据所述自变量、所述因变量、调节后的所述常量获取分割线，并利用所述分割线将所述回归模型的输出数据区分为所述离群点和所述正常点。
6.如权利要求5所述的电动汽车的电池健康状态的估计方法，其特征在于，所述步骤s3中，根据预设的电池健康状态数据阈值将所述离群点分为容量再生点和异常点，包括：
s31：获取各所述离群点前一时刻的电池健康状态值和所述离群点后一时刻的电池健康状态值，并根据所述离群点前一时刻的电池健康状态值和所述离群点后一时刻的电池健康状态值计算出所述离群点的电池健康状态均值；
s32：判断所述离群点的电池健康状态均值是否大于预设的电池健康状态数据阈值；
若是，则将所述离群点确定为异常点；
若否，则将所述离群点确定为容量再生点。
7.如权利要求6所述的电动汽车的电池健康状态的估计方法，其特征在于，所述步骤s3中，对所述异常点进行均值处理包括：
s33：获取所述异常点的前一时刻的电池健康状态值，以及所述异常点的后一时刻的电池健康状态值，并计算所述异常点的前一时刻的电池健康状态值和所述异常点的后一时刻的电池健康状态值的异常点均值；
s34：将所述异常点替换为所述电池健康状态值的异常点均值。
8.如权利要求7所述的电动汽车的电池健康状态的估计方法，其特征在于，所述步骤s4中，将所述正常点进行数据分布平衡处理，包括：
s41：将所述正常点的数据分布划分为多个区域；
s42：判断任意两个区域中正常点的数量的比值是否在预设的比值范围内；
若是，则保留所述区域的正常点；
若否，则对正常点的数量较小的区域进行重复采样。
9.如权利要求8所述的电动汽车的电池健康状态的估计方法，其特征在于，所述多个区域包括至少三个所述区域，所述预设的比值范围为0.5至1.5。