1.一种基于深度学习的电池SOC和SOH联合估计方法，其特征在于：该方法具体包括以下步骤：步骤一、电池数据采集；

1.1、对锂离子电池进行充放电实验，获取锂离子电池SOC和SOH联合估算模型所需的训练数据，包括锂离子电池的电压、电流、温度以及基于电流积分的电量；

1.2、利用对抗网络生成数据样本以扩充样本数据集；对抗网络由生成网络G和判别网络D两部分组成；生成数据样本的方法包括以下步骤：

1.2.1、向生成网络G输入随机噪声z，生成网络G输出结果数据G(z)；

1.2.2、向判别网络D输入生成网络G的结果数据G(z)，判别网络D通过对抗网络的目标函数loss，对比输入数据G(z)与真实的电池数据x，得到结果数据G(z)的准确率，目标函数loss的表达式为：其中， 和 为期望值，最大化 表示D(x)趋近于1；最小化表示D(G(z))趋近于0；D(x)表示判别网络D计算得到的真实数据与生成网络G结果数据G(z)的误差，D(G(z))表示判别网络D判断的结果数据G(z)真实的概率；

1.2.3、当目标函数loss达到最优解时，将生成网络G输出的数据G(z)当作真实的电池数据与实际测得的真实电池数据x组成增强数据集；

步骤二、数据预处理；

通过梯度增强回归树算法对步骤一中得到的增强数据集进行预处理，处理过程包括以下步骤：

2.1、计算残差的负梯度：

其中，xi表示输入向量，yi表示目标向量，F(xi)表示x映射至y的模型函数，设模型函数的初始值F0(x)＝c，c为常数；L(yi,F(xi))表示损失函数，m表示迭代次数；

2.2、使用训练集 训练第m个回归树Tm；

2.3、计算回归树Tm的权重因子：

2.4、重复步骤2.1至步骤2.3M次；

2.5、更新梯度增强回归树模型：

F(xi)＝F0(x)+υγmTm(xi)                     (4)其中υ为设置的收缩系数；

步骤三、搭建SE-CNN神经网络；

3.1、构建CNN神经网络；

3.1.1、构建一个包括一个输入层、四个卷积层、四个池化层、一个Flatten层、一个全连接层以及一个输出层的CNN神经网络；

3.1.2、引入Inception结构，Inception结构包括4个基本结构，即1*1卷积、3*3卷积、5*

5卷积和3*3最大池化；在3*3卷积与5*5卷积结构前都增加1个1*1卷积、在3*3最大池化之后加入1个1*1卷积来减少参数量；将增加了卷积后的4个基本结构的运算结果进行通道上组合；

3.1.3、将平均绝对误差作为目标函数，并采用RAdam自适应优化器最小化目标函数，进行CNN神经网络的迭代次数设置；

3.2、构建SE模块，SE模块包括以下操作：

3.2.1、进行压缩操作，顺着空间维度进行特征压缩，将每个二维的特征通道变成一个实数，这个实数表征在特征通道上响应的全局分布；

3.2.2、进行激励操作，通过参数w来为每个特征通道生成权重，其中参数w被学习用来显式地建模特征通道间的相关性；

3.2.3、进行重标定操作，将激励操作输出的权重作为经过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定；

3.3、将构建的SE模块嵌入到CNN神经网络中，得到SE-CNN神经网络；

步骤四、搭建BRNN网络；

3.1、将两个RNN网络上下叠加，得到BRNN网络，BRNN网络包括一个输入层、一个向前隐含层、一个向后隐含层和一个输出层；对于每个时刻t，输入BRNN网络的信号将被同时输入到两个方向相反的RNN网络，而BRNN网络的输出信号由这两个RNN网络共同决定；

3.2、分别对BRNN网络的输入层、向前隐含层、向后隐含层和输出层的六个权值进行设置，所述的六个权值分别为：输入层到向前隐含层、向后隐含层的(w1,w3)，隐含层到隐含层的(w2,w5)，向前隐含层、向后隐含层到输出层的(w4,w6)；

3.3、将平均绝对误差作为目标函数，采用RAdam自适应优化器最小化目标函数，然后对BRNN网络的步长和迭代次数进行设置；

步骤五、构建并训练估算模型；

5.1、将步骤三中构建的SE-CNN网络用于锂离子电池SOH的估算，设置目标函数与优化算法进行训练，学习网络参数；

5.2、将步骤四中构建的BRNN网络用于锂离子电池SOC的估算，设置目标函数与优化算法进行训练，学习网络参数；

步骤六、对锂离子电池SOC和SOH进行联合估算；

6.1、将锂离子电池恒流-恒压满充过程中所获取的电压、电流和温度的全过程量和基于电流积分的电量 输入步骤5.1中训练后的SE-CNN网络，输出得到当前状态下的锂离子电池SOH值；

6.2、将6.1中输出得到的t时刻锂离子电池SOH估算值以及t时刻至t0时刻一段时间内的电压、电流、温度测量量和基于电流积分的电量输入步骤5.2中训练后的BRNN网络，输出得到t时刻锂离子电池SOC估算值。