1.一种联合估计动力电池系统参数与荷电状态的方法，包括：
首先，在线数据获取，实时采集电池的电压、电流和温度；
然后，建立HF状态空间方程，利用HF算法实时更新电池的HF状态向量，所述HF状态向量中包括电池的欧姆内阻、极化内阻和极化电容；
最后，建立UKF状态空间方程，结合所述HF算法实时更新的所述HF状态向量，使用UKF算法实时更新电池的UKF状态向量，所述UKF状态向量包括电池的荷电状态。
2.如权利要求1所述的方法，其特征在于：所述UKF状态向量还包括电池端电压。
3.如权利要求1或2所述的方法，其特征在于：所述HF算法包括：
①：将HF状态空间方程进行初始化；
②：k∈{1，2，...，∞}，进行当前采样时间点k下的所述HF状态向量预估得到当前采样时间点k下HF状态向量预估值；
结合所述HF算法在采样时间点k-1下的过程噪声方差阵，利用所述HF状态向量预估值更新进行当前采样时间点k下的HF状态向量预估值的协方差矩阵值；
③：将步骤②中的所述HF状态向量预估值，带入HF状态空间方程中的量测方程，得到端电压预估值，把所述端电压预估值与传感器测得的端电压值进行比较，结合所述当前采样时间点k下的HF状态向量预估值的协方差值，更新卡尔曼增益矩阵，通过所述卡尔曼增益矩阵更新当前采样时间点k下的所述电池的所述HF状态向量预估值，得到电池的HF状态向量修正值和HF状态向量修正值的协方差；
④：完成步骤③后，将步骤③中的电池HF状态向量修正值中的电池参数传递至所述UKF算法中；
然后把k+1作为新的采样时间点，把所述HF电池状态向量的修正值代入步骤②进行步骤②计算。
4.如权利要求3所述的方法，其特征在于：所述初始化至少针对HF状态向量、HF状态向量的协方差和过程噪声方差阵。
5.如权利要求1或2所述的方法，其特征在于：所述UKF算法包括：
①：将UKF状态空间方程的UKF状态向量、UKF状态向量的协方差、过程噪声方差阵和量测噪声方差阵进行初始化；
②：将步骤①中初始化后的各数据传递给Sigma采样环节，生成2n+1个Sigma点、第一加权系数和第二加权系数，其中n为状态向量的维数；
然后利用所述HF算法实时更新后获得的所述HF状态向量，结合第一加权系数得到所述UKF状态向量预估值，然后结合第二加权系数和上一个采样时间点的过程噪声方差阵得到所述UKF状态向量预估值的协方差值；
③：利用所述HF算法实时更新后获得的所述HF状态向量，结合第一加权系数和步骤②中的UKF状态向量预估值可以得到UKF输出向量预估值，然后结合第二加权系数和上一个采样时间点的量测噪声方差阵得到所述UKF输出向量预估值的协方差阵、所述UKF状态向量预估值和所述UKF输出向量预估值之间的协方差，进而得到UKF增益矩阵；利用UKF增益矩阵、UKF输出向量预估值和传感器测得的端电压值可以得到UKF状态向量修正值；
④：完成步骤③后，输出UKF状态向量修正值，同时把k+1作为新的采样时间点，把所述UKF状态向量修正值和所述UKF状态向量修正值的协方差值代入步骤②进行步骤②计算。
6.如权利要求5所述的方法，其特征在于：UKF状态向量维度为即n＝2。
7.如权利要求5所述的方法，其特征在于：UKF输出向量为电池的端电压。
8.如权利要求5所述的方法，其特征在于：步骤③中利用UKF增益矩阵和UKF状态向量预估值的协方差值得到UKF状态向量修正值的协方差值。