1.一种基于多传感器数据融合的锂电池健康状态估计方法，其特征在于，包括以下步骤：(1)在由单个锂电池组成的锂电池组内部布置多测点、多变量传感器，采集不同工况下锂电池充放电数据；

(2)对步骤(1)获取的数据进行归一化处理，运用去趋势交叉相关分析法进行特征选择，对数据进行重新构建，形成电池健康状态数据集，并划分训练集、验证集和测试集；

(3)构建基于STGCN和Pyraformer模型的锂电池组电池健康状态模型STGCN‑Pyraformer；通过时空图卷积网络提取由锂电池组的多维度参数数据构成的空间参数序列的局部电池容量变化特征，将获得的特征输入到Pyraformer中建立空间参数序列与全局锂电池组健康状态的变化联系；

(4)运用均匀初始化方法对初始商品价格和数量进行初始化；将改进后的多元学习引入到供需优化算法中，通过建立商品价格历史适应度矩阵实现对上一次迭代的适应度结果进行记录，利用历史数据对本次迭代计算出的适应度结果进行干预，实现对商品价格的适应度值进行更新，最终得到精确的适应度，提高算法的全局搜索能力，得到UMSDO算法；

(5)利用UMSDO对步骤(3)中的STGCN‑Pyraformer模型的包括隐含层节点个数，学习率在内的超参数进行优化，获取对应的最优参数，利用优化后的锂电池组健康状态预测模型对电池健康状态进行预测，得到电池健康状态的预测结果。

2.根据权利要求1所述的一种基于多传感器数据融合的锂电池健康状态估计方法，其特征在于，步骤(1)所述的锂电池充放电数据包括锂电池充放电电流与电压在内的内部因素及与温度、压力、湿度在内的外部因素数据。

3.根据权利要求1所述的一种基于多传感器数据融合的锂电池健康状态估计方法，其特征在于，步骤(2)所述的运用去趋势交叉相关分析法进行特征选择过程如下：将单体锂电池的其中任意两组随时间变化的数据序列为非平稳时间序列{ai}，{bi}(i＝1，2，…，N)，i表示时间度量，N为序列长度，序列{ai}，{bi}分别表示任意两组锂电池数据序列；

求{ai}，{bi}两个时间序列的去均值累积序列Ak和Bk：

其中， 分别为时间序列{ai}和{bi}的平均值；

分别把{Ak}和{Bk}等分成Nn≡int(N/n)个不相重叠的长度为n的数据段；从序列的另一端进行同样操作，得到2Nn个等长度区间；

采用最小二乘法对每个区间v内的数据Ak,v和Bk,v，进行数据拟合，得到局部趋势 和然后将所有数据段的趋势组合在一起作为局部趋势序列；

用原累积序列减去局部趋势序列，得到剩余序列，计算每一个区间剩余信号的协方差：求所有区间的去趋势协方差的平均值，得到q阶去趋势协方差：

改变时间尺度n重复以上步骤，得到不同时间尺度n下的FDCCA(n)；在双对数坐标下做出log(n)～log[FDCCA(n)]的散点图，将其进行直线拟合后所得斜率即为DCCA标度指数H；H在标度区间[0，1]内，定量表征了两组非平稳时间序列的交叉相关性；若0.4

0.6≤H<1时数据处理方法相同。

4.根据权利要求1所述的一种基于多传感器数据融合的锂电池健康状态估计方法，其特征在于，步骤(2)所述训练集、验证集和测试集按照6：2：2的比例划分。

5.根据权利要求1所述的一种基于多传感器数据融合的锂电池健康状态估计方法，其特征在于，所述步骤(3)实现过程如下：(31)将分布在锂电池组上的多变量多测点传感器采集到的具有时空特性的锂电池工作数据的看作一个为STGCN的输入，以锂电池传感器监测点为节点，传感器链路为边与相邻关节点之间进行连接作为图的边；然后通过图卷积神经网络模型学习不同节点的位置信息和时间信息得到高阶特征，以捕获节点之间的空间依赖性和时间依赖性：(l) (l) (l)

其中，H 是第l层的锂电池节点数据特征矩阵，W 是该层的权重矩阵，B 是所需的偏移量，为规范化的邻接传感器采集的数据矩阵，σ表示ReLU激活函数；

(32)采用注意力机制实现对锂电池组上分布的多个传感器节点之间进行不同程度的关注，选取重心点为锂电池组中心节点，其余关节点到重心点连线定义为S，具体实现公式如下：其中， 表示其余布置在锂电池组上的传感器节点到重心点的平均距离，大小表示传感器关键点到重心点的远近；

(33)通过两个网络层结合对时间和空间特征进行提取后，利用softmax函数完成分类预测传感器采集的数据：X＝softmax(Wa·Va+Wb·Vb) (8)

式中，Wa和Wb分别表示两层的权重矩阵，Va和Vb表示两层的网络模型，X为经STGCN模型第一步预测后得到的锂电池组的多维度参数数据构成的空间参数序列；

(34)建立包含编码器、金字塔式注意力机制、输出层在内的Pyraformer模型；将空间参数序列X作为Pyraformer模型的输入层数据；其中X的定义如下：

1 2 3 N

X＝{X ,X ,X ,…,X} (9)

其中，N代表数据的维度；将数据通过向量表示。

6.根据权利要求5所述的一种基于多传感器数据融合的锂电池健康状态估计方法，其特征在于，所述步骤(34)实现过程如下：建立Encoder的多头注意机制和前馈网络两层结构，每层都有一个残差连接随后进行了层标准化；对于多头注意力机制是由多个自注意力机制组成，自注意机制的输入是将经Q K V过编码后的输出打包到一个矩阵中，然后将这个矩阵由三个预先训练好的矩阵W，W，W ，进行三次线性变换向量得到三个矩阵：查询矩阵Q、键矩阵K、值矩阵V；自注意力机制的计算公式如下：Q K V Q K V

式中，dk是K的维度﹐多头注意力机制就是定义多组W，W，W，通过不同的Wn，Wn，Wn 算出

1 2 n

不同的Q，K，V然后将n个自注意力机制的结果拼接起来，得到最后的结果O＝[O ,O ,…,O ]经过残差连接和层标准化后输入到第二层前馈网络，FNN由两个线性变换和Relu激活函数组成，计算公式如下：Y＝W2ReLU(W1x+b1)+b2 (11)

式中，W1、W2，为二层前馈网络中锂电池数据线性变换的权重矩阵，b1，b2为偏置参数；前馈网络后输出的结果通过残差连接与层标准化后得到最后的输出；

建立Pyraformer的金字塔注意力模块，具体公式如下：

其中， 为锂电池数据采集传感器节点的第s个节点， 为传感器相邻节点的集合，为传感器临近节点， 为C叉树中的子节点， 为C叉树中的父节点，C表示较粗比例结点可以汇总的较细比例结点数，A表示节点能参与的相同规模的相邻节点数，S表示刻度数，节点 处对应的输出Yp表示为：Yp为经STGCN模型提取特征信息后的锂电池数据序列；

建立Pyraformer的输出层具体为：将Yp进行全局平均池化，然后将池化后的特征向量Y使用Softmax函数计算特征向量被分到每个类别的概率Pi，实现对锂电池组健康状态的分类，Softmax函数计算公式如下：式中，WY为全局平均池化的权重矩阵，bY为偏置参数。

7.根据权利要求1所述的一种基于多传感器数据融合的锂电池健康状态估计方法，其特征在于，所述步骤(4)实现过程如下：(41)设置SDO算法的目标函数为锂电池健康状态预测准确率，确定种群大小、迭代次数、维度大小以及搜索空间的上下限；

(42)采用均匀初始化方法对初始商品价格和数量进行初始化操作，改进后的初始化方式公式如下所示：其中， 表示商品价格初始化结果， 表示商品数量初始化结果；p为种群数，d为维度，L为搜索区间下界，U为搜索区间上界，r为0和1之间的均匀随机数；

(43)根据目标函数计算适应度值，根据计算适应度得出最优解；

(44)在商品数量衡算阶段商品数量更新公式如下所示：

qi(t+1)＝q0+α×(pi(t)‑p0) (17)

其中，qi(t)分别为第t次迭代第i个市场中商品数量；α为需求权重；p0为商品均衡价格；

在商品价格衡算阶段商品价格更新公式如下所示：

pi(t+1)＝p0‑β·(qi(t+1)‑q0) (18)

其中，pi(t)分别为第t次迭代第i个市场中商品价格量；β为供给权重；p0为商品均衡价格；q0为商品均衡数；需求算式重写为：pi(t+1)＝x0‑αβ·(pi(t)‑p0) (19)

引入多元学习策略来更新商品属性中每中商品的价格和数量；将商品价格种群随机分为两部分，一部分从当前商品价格种群和历史商品价格种群中学习，其余从当前商品价格种群中的最优市场中学习：其中，h是小于市场大小的正整数，并且h≠i；ph,j表示当前市场中h个商品的第j个变量；a和b是从0到1的随机数；Cbest,j是当前市场最优解的第j个变量。

8.根据权利要求1所述的一种基于多传感器数据融合的锂电池健康状态估计方法，其特征在于，所述步骤(5)实现过程如下：(51)初始化SDO算法的相关参数，包括种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数；

(52)计算经融合模型训练的预测值 和样本实际值Yi间的均方根误差，将其作为SDO算法中每个个体的适应度值Fit：(53)根据商品价格衡算策略和商品数量衡算策略，更新出每个商品在不同市场中的价格和数量，计算出每个个体的适应度值，并对其进行排序；

(54)利用多元学习策略重新对个体位置进行计算，并计算个体适应度值，将其与步骤(53)得到的个体适应度值进行比较，选出最优适应度值对应的最优位置；

(55)判断是否达到最大迭代次数，若达到，则输出最优解，并从中提取出融合模型的超参数，否则返回步骤(53)；

(56)将训练集和验证集作为模型的输入数据，对优化后的融合模型进行训练，只用融合模型对测试集数据进行预测，得到最终的锂电池健康状态预测结果。

9.一种装置设备，其特征在于，包括存储器和处理器，其中：

存储器，用于存储能够在处理器上运行的计算机程序；

处理器，用于在运行所述计算机程序时，执行如权利要求1‑8任一项所述基于多传感器数据融合的锂电池健康状态估计方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如权利要求1‑8任一项所述基于多传感器数据融合的锂电池健康状态估计方法的步骤。