1.一种基于时滞卷积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，将全新锂离子电池充满电，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、电流和温度；

步骤2)对测取的数据进行预处理，构建用于SOC估计的时滞卷积神经网络训练数据集和测试数据集；

步骤3)使用时滞卷积神经网络对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估计开发的时滞卷积神经网络架构包括：一个输入层、三个卷积层C、一个全连接层F和一个输出层；

步骤3‑2)时滞卷积神经网络的时滞操作具体表现在卷积层，对于输入数据为xij时，在每一个卷积层的卷积核卷积操作中，以当前第i个循环数据卷积结果和第i‑1个循环xi‑1j数据的卷积结果的加权和作为最终的卷积层输出，并且这两个卷积操作的卷积核拥有各自不同的权值，实现时滞效果；

步骤3‑3)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，并将估计值向0至1进行映射。

2.根据权利要求1所述的基于时滞卷积神经网络的锂离子电池SOC估计方法，其特征在于，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，采用最大最小归一化的方法对输入数据进行归一化处理，输出为锂离子电池的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ti_j时刻的锂离子电池SOC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，n取10；

步骤2‑3)对于一个总循环充放电次数N、单放电周期m的工况放电实验，为了充分发掘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)为了不影响数据集的训练，不对总数据集进行打乱操作，抽取训练与测试数据集，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，用作时滞卷积神经网络的训练和测试数据。