1.一种基于融合神经网络的锂离子电池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；

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3DCNN训练数据集和测试数据集，并利用3DCNN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)具体包括如下步骤：

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，xinij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，发掘一个放电周期中各个输入数据间的联系和相邻放电周期之间的联系，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个输入的第j帧数据，3DCNN卷积神经网同时输入一个时间戳上的多帧数据，通过选取同一放电时间段上的连续j个放电周期的电压电流数据作为

3DCNN的一个输入，数据集中，T表示电池工作时的温度，U表示电池两端的电压，I表示电池通过的电流，t表示放电的时间，则xij对应的输出yi为tn时刻第3帧的电池容量值；

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，为了发掘每一个放电周期内前后输入数据间的联系和相邻放电周期之间输入数据的联系，使用padding方法对边缘数据进行扩充，总共生成N×m组大小为3×4×10的输入数据，对应的N×m个SOC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3DCNN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3DCNN卷积神经网络架构包括：一个输入层(Input)、三个卷积层(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)加入电池容量的估计，构建新输入数据集，新的数据集大小为5×10，输出数据集为tn时刻对应的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；

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。