1.一种基于遗传卷积神经网络的锂电池健康状态估计方法，其特征在于，具体按照以下步骤实施：步骤1、针对不同类型锂电池，测算其出厂时锂电池的额定容量；

步骤2、针对不同类型锂电池在恒流条件下进行充放电，并对充电工作下的电压数据进行实时记录，直到电池寿命终止结束记录，根据记录的数据形成锂电池恒流充电电压曲线，由电压曲线获取电池老化特征；

步骤3、在步骤2中的电池每一次充电后，确定该电池的当前容量，作为CNN模型的真实值，不断缩小真实值和预测值之间的误差来训练最佳CNN模型；

步骤4、对步骤2记录的每条电压曲线使用二分法采样8个点作为特征点，使用8个特征点来表征一条电压曲线，并作为CNN模型的输入数据；

步骤5、对步骤4中的特征点进行处理；

步骤6、划分数据集；

步骤7、通过电池当前容量和出厂时额定容量的比值来估计当前锂电池的SOH；

步骤8、初始化网络结构及各参数；

步骤9、将处理过的训练集数据进行分组，每5条为一组，将每组训练集循环输入到CNN网络结构中，对每个CNN网络进行训练；

步骤10、通过遗传算法对种群进化来实现对网络结构的自动学习，得到一组良好的CNN网络结构；

步骤11、将处理过的测试集数据输入到一组CNN网络结构中，选择真实值和预测值之间均方误差最小的网络结构作为最终的预测模型；当重新输入另一块电池的电压数据，便可以通过该训练好的模型预测电池剩余容量，进而快速且准确地计算出该电池的SOH。

2.根据权利要求1所述的一种基于遗传卷积神经网络的锂电池健康状态估计方法，其特征在于，所述步骤5处理的具体步骤为：根据135条电压曲线，分别对每条电压曲线提取8个特征点，组成一个135行8列的矩阵，对于每一行的8个数据转化成2行4列的矩阵，作为图像输入到CNN模型中。

3.根据权利要求1所述的一种基于遗传卷积神经网络的锂电池健康状态估计方法，其特征在于，所述步骤6中，将将数据集划分为80％的训练集和20％的测试集。

4.根据权利要求1所述的一种基于遗传卷积神经网络的锂电池健康状态估计方法，其特征在于，所述步骤8中，随机初始化一组CNN网络结构，将一组网络结构看作一个种群，种群中的每个个体代表一个CNN网络结构，初始化种群大小和世代数。

5.根据权利要求1所述的一种基于遗传卷积神经网络的锂电池健康状态估计方法，其特征在于，所述步骤10具体为：步骤10.1、对网络结构进行编码，对每个网络结构，即个体，以池化层为界将网络结构划分成不同的阶段，通过对每个阶段进行编码，将其组合成固定二进制字符串，采用基因型来表示每个网络结构；

步骤10.2、评估个体的适应度值，将电压数据输入到个体中进行训练，真实值和预测值之间的MSE即均方误差，作为个体的适应度值；

步骤10.3：通过选择、交叉和变异产生新的网络结构，评估新网络结构的适应度值，每次迭代将适应度值低的个体保留下来，删除适应度值高的个体，始终保持种群大小为N，直到达到最大世代数，结束迭代，输出一组良好的CNN网络结构。