1.一种基于电池容量的锂离子电池SOC估计方法，其特征在于，包括以下步骤：步骤1)在变化的温度下，将全新锂电池充满电，然后通过恒流放电实验、DST工况放电实验、FUDS工况放电实验和US06工况放电实验，反复测取SOC从1到0的锂离子电池的端电压、电流、温度以及负载的电压、电流；

步骤2)对测取的数据进行预处理，构建用于估计电池容量的2DCNN训练数据集和测试数据集，并利用2DCNN卷积神经网络估计出的电池容量构建新的数据集；

所述步骤2)包括如下步骤：

步骤2‑1)对测取的数据进行归一化处理，各种工况实验的电池对象相同，电压电流变化范围不同，先对各种工况的数据单独进行预处理，采用如下公式对输入数据进行归一化处理：其中，aij为第i个输入的第j个数据点，amin是第i个输入数据的最小值，amax是第i个输入数据的最大值，xin_ij是aij进行归一化处理后的数据；

输出为锂电池的SOC，SOC的范围在0到1之间，不需要进行归一化处理；

步骤2‑2)数据归一化处理后，使用如下的方法构建数据集，首先将一个放电周期中的测量值截取成若干个长度为n的数据，如下所示：其中，xij表示输入数据集中第i个循环的第j个数据，xij对应的输出为tn时刻的电池容量值，U表示电池两端的电压，I表示电池通过的电流，T表示电池工作时的温度，t表示放电的时间，Ul表示负载的电流，Il表示负载的电流；

步骤2‑3)对于一个总循环充放电次数N、单放电周期t＝m的工况放电实验，使每一个放电周期内前后输入数据间的联系，使用padding方法对边缘数据进行扩充，然后总共生成N×m组大小为6×10的输入数据，对应的N×m个电池容量值为输出数据，不同工况的输入输出数据合并成为总数据集；

步骤2‑4)选用一个放电工况前80％的数据作为训练数据集，后20％的数据作为测试数据集，用作2DCNN的训练和测试数据；

步骤2‑5)针对锂离子电池容量估计开发的2DCNN卷积神经网络架构包括：一个输入层(Input)、四个卷积层(C)、两个全连接层(F)和一个输出层(Output)；

步骤2‑6)卷积层和全连接层全部使用relu函数进行激活，输出层使用tanh函数进行激活，并进行映射；

步骤2‑7)完成电池容量的估计后，取式(2)中的U、I、T、t以及估计的电池容量构建新的大小为5×10的输入数据集，对应输出数据为tn时刻的电池SOC值；

步骤3)使用2DCNN卷积神经网络对新的数据集进行训练和测试，实现最终的SOC实时估计。

2.根据权利要求1所述的基于电池容量的锂离子电池SOC估计方法，其特征在于，所述步骤3)具体包含如下步骤：步骤3‑1)针对锂离子电池SOC估计开发的2DCNN卷积神经网络架构包括：一个输入层、三个卷积层、两个全连接层和一个输出层；

步骤3‑2)卷积层和全连接层全部使用relu函数进行激活，输出层使用tanh函数进行激活，并进行映射。