1.一种基于AST‑LSTM神经网络的锂电池SOH估计与RUL预测方法，其特征在于，该方法包括以下步骤：

S1：数据采集：在充放电周期内，测试并收集锂电池放电端电压、电流、温度数据和对应的电池容量数据；

S2：构建深度主动状态追踪长短时记忆(Active States Tracking long‑short‑term memory，AST‑LSTM)神经网络模型，包括建立AST‑LSTM神经元和AST‑LSTM反向传播算法；

所述建立AST‑LSTM神经元具体包括：

1)遗忘门与输入门的固定耦合：遗忘门和输入门通过固定连接“1‑”进行耦合，从遗忘门输出到候选单元状态，数学表达式为：it＝(1‑ft)⊙σ(ct‑1⊙pi)其中，是遗忘门激活向量，ft是遗忘门输出向量，it是输入门输出向量，ct‑1是t‑1时刻记忆单元状态，σ是sigmoid函数，⊙表示按元素乘， 是t时刻网络的输入向量，M表示输入维度， 是t‑1时刻N个AST‑LSTM单元的输出状态， 和分别是遗忘门的输入权重矩阵、门控权重矩阵和偏置矩阵，pi是窥视孔状态矩阵；

2)候选门的主动状态跟踪：以元素的方式将新的输入值和以前的单元状态相乘，数学表达式为：

ct＝ct‑1⊙ft+it+zt其中， 是当前输入激活向量，zt是经tan函数激活后输出向量，ct是t时刻记忆单元状态， 和 分别是候选门的输入权重矩阵、门控权重矩阵和偏置矩阵；

3)输出门记忆单元状态的筛选：将窥视孔直接连接到输出门上，只保留关键的记忆单元状态，数学表达式为：

其中， 和 分别是输出门输入权重矩阵、门控权重矩阵、窥视孔状态矩阵和偏置矩阵；

4)AST‑LSTM单元隐藏状态输出，数学表达式为：ht＝ot⊙tanh(ct)；

所述AST‑LSTM反向传播算法具体包括：

1)误差 沿时间反向传播到前一刻，在第l层的AST‑LSTM块内，计算为：其中，Δt表示上一层传递的误差向量， 分别表示第l层中候选门、遗忘门和输出门在t时刻的门控权重矩阵；

2)反向传播中，t时刻输入的增量，计算为：其中， 分别表示第l层中候选门、遗忘门和输出门在t时刻的输入权重矩阵，误差项 计算公式：

其中， 计算公式为：

3)在l层t时刻， 和 计算公式为：其中， 表示任意的 o表示输出门，z表示候选门，f表示遗忘门；

l‑1

其中，F 是第l‑1层AST‑LSTM单元内的门控激活函数；

4)输入权重矩阵和门控权重矩阵更新规则，AST‑LSTM的更新规则为：其中，ηΔh和ηΔx表示用于更新输入权值和门控权值的相应的学习率；

S3：基于AST‑LSTM神经网络模型的锂电池健康状态(State‑of‑health，SOH)估计；

S4：基于AST‑LSTM神经网络模型的锂电池剩余使用寿命(remaining useful life，RUL)预测。

2.根据权利要求1所述的一种基于AST‑LSTM神经网络的锂电池SOH估计与RUL预测方法，其特征在于，步骤S3中，基于AST‑LSTM神经网络的锂电池SOH估计的拓扑结构有五层，包括一个输入层、三个AST‑LSTM隐含层和一个输出层。

3.根据权利要求2所述的一种基于AST‑LSTM神经网络的锂电池SOH估计与RUL预测方法，其特征在于，步骤S3中，基于AST‑LSTM神经网络模型的锂电池SOH估计，具体包括以下步骤：

S31：定义锂电池SOH为：

其中，Ci表示i个充放电周期的电池容量，C0表示电池初始容量；

S32：处理容量丢失；若出现容量丢失，将上一周期容量值赋予丢失周期；

S33：选择最佳输入；选择以电压和电压；温度和电压；温度和时间；电压、温度、时间和电流四种输入方式分别作为网络输入，以计算根均方误差；选择根均方误差最小的作为输入；相对应的容量作为输入标签；

S34：将采集相对应锂电池充放电电压、电流、温度和容量数据进行归一化处理；

S35：交叉验证选择网络超参数；将数据集按照6:1:3划分作为训练集、验证集和测试级；使用训练集和验证集进行10折交叉验证，计算网络损失平均值；当网络损失平均值小于设定的阈值时，结束验证，获得网络滑动窗口、批处理大小和学习率；

S36：训练模型；将数据集按照7:3划分，使用上一步得到的网络超参数和70％的数据对模型进行训练，并保存模型；

S37：使用30％数据集进行测试，并保存预测的电池容量值，计算电池SOH。

4.根据权利要求1所述的一种基于AST‑LSTM神经网络的锂电池SOH估计与RUL预测方法，其特征在于，步骤S4中，基于AST‑LSTM神经网络的锂电池RUL预测拓扑结构为三层，包括一个输入层、一个AST‑LSTM隐含层和一个输出层。

5.根据权利要求4所述的一种基于AST‑LSTM神经网络的锂电池SOH估计与RUL预测方法，其特征在于，步骤S4中，基于AST‑LSTM神经网络模型的锂电池RUL预测，具体包括以下步骤：

S41：定义电池的寿命终止容量CEOL为：CEOL＝C0×0.8

其中，C0表示电池初始容量；

S42：采集多个与SOH估计同型号的电池的从初始容量到EOL的容量值作为容量数据集；

S43：将容量数据集进行归一化处理，表达式为：其中，Ci表示i个充放电周期的电池容量；

S44：选择RUL预测模型超参数；按7:2:1的划分，将容量数据集划分为训练集，测试级和验证集；然后使用训练集合验证集进行10折交叉验证，计算网络损失平均值；当损失平均值低于设定的阈值时，结束验证，获得RUL预测模型神经元代价函数，正则化参数，隐含层神经元个数；

S45：训练模型：将容量数据集按照7:3划分，使用上一步得到的网络超参数和70％的训练集数据对模型进行训练，并保存模型；

S46：使用30％的测试数据集进行测试，证明模型有效性，并保存模型；

S47：将SOH估计模型得到的容量值在线导致训练完成的RUL预测模型；

S48：多步预测RUL。

6.根据权利要求5所述的一种基于AST‑LSTM神经网络的锂电池SOH估计与RUL预测方法，其特征在于，步骤S48中，多步预测RUL具体包括：假设从SOH估计模型获得初始容量C0到第i个周期的容量值Ci，利用RUL预测模型预测Ci+1；然后使用初始容量C0到第i+1个周期的容量值Ci+1，利用RUL预测模型预测Ci+2；以此类推，得到CEOL；最后，依据充放电周期nt容量为Ci，充放电周期nEOL容量为CEOL，由以下公式得到电池RUL；

假设电池充放电周期为n的时候电池到达EOL，电池的RUL在t时刻的计算公式为：RUL＝nEOL‑nt

其中，nt表示t时刻充放电周期数，nEOL表示电池容量达到CEOL时的充放电周期。