1.基于改进LSTM神经网络的阀控铅酸蓄电池健康状态预测方法，其特征在于包括以下步骤：步骤1、样本数据的采集：

通过在线监测装置每日测量得到蓄电池的浮充电压、均充电流、均充时长、放电截止电压、放电时长输入数据，蓄电池容量通过每两个月一次的核对性均衡充电测得；

步骤2、样本数据的预处理：

以n天为时间跨度，建立n维的样本输入 其中，

分别表示n天内的蓄电池的浮充电压、均充电流、均充时长、放电截止电压、放电时长的向量，蓄电池容量数据序列h(ti)，即多次容量实测结果；

步骤3、构建LSTM神经网络模型：

以蓄电池容量数据序列h(ti)作为输出，x(ti)作为输入，建立一个包含多个LSTM神经网络单元的神经网络模型，每个LSTM神经网络单元可以看做LSTM神经网络在不同时间跨度上的状态，初始状态下，通过随机生成0到1之间的小数，为网络中的权重矩阵W和偏置矩阵b进行赋值；

步骤4、引入Dropout算法改进LSTM神经网络模型，对其训练过程进行改进。

2.根据权利要求1所述基于改进LSTM神经网络的阀控铅酸蓄电池健康状态预测方法，其特征在于还包括：步骤5、将测试集中的输入样本代入到训练好的模型中，即可得到蓄电池的12个容量预测值，每个值间隔时间为2个月。

3.根据权利要求1所述基于改进LSTM神经网络的阀控铅酸蓄电池健康状态预测方法，其特征在于：所述步骤2中，样本数据的预处理中，x(ti)为LSTM神经网络ti时刻的网络输入，h(ti)为ti时刻的网络输出，C(ti)为ti时刻网络的单元状态输出；

其中，网络输入包含蓄电池的浮充电压、均充电流、均充时长、放电截止电压以及放电时长；网络输出为电池的最大储能容量，即：其中，x(ti)中每个元素都是维度为60的向量，表示从第ti天以及前溯60天的充放电信息，其中 为[ti-60,ti]期间的浮充电压， 分别为表征均衡充电电流大小和充电时长的向量，若第j天没有均衡充电，则对应向量中的元素取值为0，即则为[ti-60,ti]期间蓄电池放电的记录， 为放电截止电压向量， 为放电时长的向量，若蓄电池第j天没有放电，则截止电压数值上与浮充电压相等，即SOH(ti)为蓄电池第ti天测得的电池储能容量。

4.根据权利要求1所述基于改进LSTM神经网络的阀控铅酸蓄电池健康状态预测方法，其特征在于：所述步骤3包括以下步骤：

3.1、网络超参数初始化：设置的超参数包括：输入节点数m，隐藏节点数k，输出节点数n，学习率yita，误差阈值σ，LSTM细胞核个数w；

3.2、权重偏置初始化：初始状态下通过随机生成0到1之间的小数，为网络中的权重矩阵W和偏置矩阵b进行赋值。

5.根据权利要求1所述基于改进LSTM神经网络的阀控铅酸蓄电池健康状态预测方法，其特征在于：所述步骤4包括以下步骤：步骤4.1、前向运算预测蓄电池容量：

根据初始设定的参数按照下式(1)运算更新LSTM模型中各门参数，并进一步根据式(8)运算得到网络的输出结果：其中，f(ti)、i(ti)、o(ti)、C(ti)分别表示遗忘门输出，输入门输出，输出门输出和单元状态；σ和tanh均为激活函数，其中，σ为sigmoid函数，tanh为双曲正切函数，二者计算公式分别如下：Wf、Wi、Wc、Wo分别代表遗忘门、输入门、当前输入单元状态和输出门的权重矩阵，bf、bi、bc、bo则表示遗忘门、输入门、当前输入单元状态和输出门的偏置矩阵，此8个参数矩阵为待求的参数矩阵，在模型的训练过程中逐步优化和更新；

表示按元素乘，当 作用于两个向量时，运算如下：

当 作用于一个向量和一个矩阵时，运算如下：

当 作用于两个矩阵时，两个矩阵对应位置的元素相乘即可；

Wf、Wi、Wc、Wo、bf、bi、bc、bo，此8个参数是由网络训练而来，无需人为设置具体数值，但需人为指定矩阵维度，并由计算机产生0～1之间的随机数作为其初值；

步骤4.2、根据预测结果误差修正神经网络权重与偏置参数：

按照式(2)计算出网络的输出值后，根据式(6)计算预测值与实际值之间的误差C，若大于误差阈值σ，则将误差反向传播，结合公式(7)反方向更新网络中的参数和偏置；

C＝|h'(ti)-h(ti)|          (6)上式中，h′(ti)表示LSTM网络输出的预测容量值，h(ti)表示实际容量值，α表示学习率，W＝[Wf，Wi，Wc，Wo]和b＝[bf，bi，bc，bo]代表更新前的权重和偏置，W′和b′代表更新后的权重和偏置；

4.3、神经元激活状态更新：

根据公式(8)计算所有神经元的连接强度，并依据式(9)计算所得概率更新神经元的激活状态；

提出Dropout优化算法，以神经元的链接强度作为改变其激活状态的概率，提升训练过程的收敛速度；令神经元的状态为激活与非激活两种状态，Si(t)取值为1和0分别表示神经元i在第t次迭代中处于激活状态和非激活状态；定义神经元i的连接强度Ri(t)计算公式为：其中，Sj(t)为网络中除i以外的任意神经元的激活状态，wij(t)∈W为第t次迭代中神经元i、j之间的权重；神经元在迭代过程中激活状态则根据下式(9)进行更新：即连接强度越高的神经元转变为非激活状态的概率越大；通过这种方式减少LSTM预测模型对于部分输入特征的依赖；

4.4、该样本时间序列数据中是否还有数据需要参与训练；如果训练完成转入步骤4.5，如果还有需要训练的则将对应的输入x(ti+1)代入，并转入步骤4.1，如果样本时间序列数据都参与训练，则进行下一步；

4.5、检查是否还有未参与训练的蓄电池样本数据；如果有则将新的蓄电池样本，即12维的蓄电池时间序列数据代入，并转入步骤4.1；如果不存在新的蓄电池样本数据了，则停止LSTM网络参数更新迭代，将训练所得预测模型输出。