1.一种锂电池荷电状态和健康状态联合估计方法，其特征在于，包括以下步骤：(1)收集锂离子电池的电池初始数据，利用最小二乘滤波算法及归一化方法对初始数据进行预处理；

(2)根据SOC和SOH定义得到SOC与SOH之间的联系，保证锂电池荷电状态估计模型在训练过程能够学习到关于电池健康状态的信息；

(3)构建基于iTransFormer的锂电池荷电状态估计模型，使用考虑电池SOH后的SOC值作为模型训练集的数据；

(4)对光谱优化器LSO算法进行改进，采用Logistic‑Tent映射方法对种群进行初始化优化，采用自适应调整搜索策略优化算法搜索阶段，得到ILSO算法；

(5)利用ILSO算法对基于iTransFormer的锂电池荷电状态估计模型的超参数进行优化，获得最优超参数，利用优化后的模型对锂电池荷电状态进行估计，得到锂电池荷电状态的状态结果；

(6)利用步骤(5)中模型输出SOC估计值以及所包含的电池老化信息，进一步通过SOC和SOH联合估计公式计算当前老化程度下的SOH值，实现SOH估计，实现锂电池荷电状态和健康状态的联合估计。

2.根据权利要求1所述的一种锂电池荷电状态和健康状态联合估计方法，其特征在于，步骤(1)所述初始数据包括充放电数据、开路电压、温度、内阻、容量、工作电流数据。

3.根据权利要求1所述的一种锂电池荷电状态和健康状态联合估计方法，其特征在于，步骤(1)所述利用最小二乘滤波算法及归一化方法对初始数据进行预处理，具体实施过程如下：在待处理的锂电池数据某一点的前后各取M个点，将这2M+1个点乘以系数相加再经过均值处理后代替这个点；

设最小二乘滑动滤波器的第j次输出为：

其中，i＝M+1,...；Wi(k)为平滑系数；W(k)/(2M+1)是基于最小二乘滑动滤波算法的权值；对于必须找到近似值的每个信号指标，都定义了一个信号窗口，使相关点位于空间中心，从而得到窗口长度2M+1；

最小二乘滑动滤波算法是对采样得到的数据中连续的(2M+1)个数据点(xi，yi)，选用阶次为d的多项式拟合，从而得到滤波值，然后向后移动窗口，平滑后的数据Y以向量形式表示：设目标函数为I，最小二乘拟合就是使上式的平方和最小，即求满足条件的多项式各项系数ci；

求目标函数的最小值，分别对c0,c1,...,cd求偏导数，对cm求偏导数，得如式：令各偏导数为零，得矩阵方程组为式：

即等价于方程：

T T

SSc＝Sy

则得最优解：

T l τ

c＝(SS) Sy

令矩阵G：

T ·I T

G＝S(SS) S＝[gi‑M,gi‑M+1,...,gi,...,gi+M]将最优解带入平滑后的数据Y可以得到：

T ‑1 T

Y＝Sc＝S(SS) Sy＝Gy

则第i次输出的滤波值为：

T

Yi＝giy

由第i次输出的滤波值可知，矩阵G相当于上式中的W(k)/(2M+1)组合的的矩阵，即矩阵G为滑动平均滤波算法的权值；

将滤波窗口向后平移一个数据，即窗户尾端增加一个新的采样数据点，窗口首端剔除一个旧的数据点，窗口的新数据如式所示：T

y→[yi‑M+1,yi‑M+2,...,yi+1,...,yi+M+1]对经过最小二乘滤波算法后获得数据集进行z‑score归一化处理，具体为：其中，y为待归一化的数据，y'为归一化后的数据，μ为数据的平均值，S为数据标准差。

4.根据权利要求1所述的一种锂电池荷电状态和健康状态联合估计方法，其特征在于，所述步骤(2)实现过程如下：SOC定义为电池当前剩余电量与实际容量之间的比值，根据电池已释放出来的电量进行计算：式中，I表示电流，I在[0,1]上的积分表示电池放出的电量，Cm为电池在当前的实际容量；

SOH定义为电池实际容量与额定容量百分比：式中,C0表示电池在出厂时的额定容量；

联合SOC和SOH两式可得：

由联合公式以知道电池荷电状态与健康状态之间存在紧密的联系，SOC的估计需要考虑SOH的影响；为保证电池SOC估计模型在训练过程中能够学习到电池老化的信息，锂电池荷电状态的计算均使用公式SOC2(t)。

5.根据权利要求1所述的一种锂电池荷电状态和健康状态联合估计方法，其特征在于，所述步骤(3)实现过程如下：对预处理过的锂电池数据进行数据单元化，即以锂电池每个特征数据连续J个数据采集点为一组作为输入，预设采样时间间隔，每J个数据采集点所对应的SOC值作为输出；

多层感知器在最后一个维度上工作，将输入锂电池数据序列嵌入到变量标记中：

0 0 N×D

H＝MLP(X) H∈R

X∈RT×N为输入时间序列，输入长度T，预测长度S，变量数N，维度D，iTransFormer块编号L；

运行iTransFormer模块，将自注意力应用于嵌入式变量标记：l‑1 l‑1 l‑1 l‑1 N×D

H ＝LayerNorm(H +Self‑Attn(H )) H ∈R前馈网络用于序列表示：

l l‑1 l‑1 l N×D

H＝LayerNorm(H +Feed‑Forward(H )) H∈R锂电池特征系列表示采用LayerNorm以减少变量差异；

回到预测序列：

返回锂电池荷电状态预测结果

6.根据权利要求1所述的一种锂电池荷电状态和健康状态联合估计方法，其特征在于，所述步骤(4)实现过程如下：(41)设置LSO算法的种群大小，以及搜索空间的上下限；

(42)采用Logistic‑Tent映射方法初始化算法的种群位置，改进后的公式如下所示：式中，P为系统变量，r为控制参数；

采用自适应调整搜索策略优化算法搜索阶段，改进过程如下：个体根据概率阈值H来选取随机搜索的更新方式，概率阈值定义为：其中，表示当前种群的平均适应度值；fmin为当前种群中最好的适应度值；fmax为当前种群中最差的适应度值；对于每个个体，以一个[0,1]之间的随机数q与计算出的概率阈值H进行数值比较；若q

(43)初始化后，确定光谱优化器算法的内折射 内反射 外折射 的法向量计算为：其中， 是迭代t时从当前总体中随机选择的解， 是迭代t时的当前解， 是有史以来找到的全局最佳解，norm(.)表示向量的归一化值并按以下公式计算：其中，d代表优化问题的维数； 是范数函数的输入向量，用于对其进行标准化，xj是输入向量 中的第j个维度；对于入射光线，计算如下：其中 是入射光线，Xmean是当前解总体的平均值 N是总体大小；

然后，计算内、外折射和反射光线的矢量：

r

其中， 和 分别是内部折射、内部反射和外部折射光线；k 代表折射率，在red violetk 和k 之间随机更新，定义随机光谱颜色为：r red violet red

k＝k +RV1(k ‑k (

其中，RV1是在[0,1]之间随机生成的均匀随机数；

(44)计算出射线方向后，LSO根据0到1之间随机生成的概率值p，计算候选解；特别是，如果p的值小于0到1之间随机生成的数字，则新的候选解将计算为：否则，新的候选解将计算为：

其中， 是新生成的候选解， 是迭代t时的当前候选解；r1、r2、r3和r4是从当前总体n n中随机选择的四个解决方案的索引；RV1和RV1是在[0,1]之间生成的均匀随机数的向量；ò是使用计算的比例因子；GI是基于逆不完全伽玛函数的自适应控制因子，计算公式为：‑1 ‑1

GI＝a×r ×P (a,1)    (41)其中，GI是一个自适应控制因子；r是[0,1]之间的均匀随机数，它被反转以在整个优化‑1过程中促进探索运算符，P 是对应a值的逆不完全伽玛函数：其中，t是当前迭代次数，RV2是在[0,1]之间生成的均匀随机数的标量数值，Tmax是函数评估的最大次数；

(45)当前解周围散射的数学模型如下：

其中 是迄今为止最好的解， 和 是从当前群体中随机选择的两个解；RV3包括以0和1的间隔随机选择的数字； 是包括在0和1之间随机生成的数字的向量；第二散射阶段基于基于迄今为止最佳解在新位置生成射线并根据以下公式求出当前的解：其中，r1是随机生成的数值；π表示圆的周长与其直径的比值；第一和第二散射阶段之间的交换是基于预定义的概率Pe实现的，如下式所示：其中，R是0到1之间随机生成的数字；最后一个散射阶段基于根据从总体中随机选择的解和当前解生成新解：其中，RV5是均值为零、标准差等于1的正态分布随机数的标量值， 是包含随机值0和1的向量方程(45)和(46)之间的交换是基于计算每个解的适应度值与迄今为止最佳解的适应度值之间的差异，并根据(47)将该差异归一化在0和1之间；

如果该差异小于0和1之间随机生成的阈值R1，则应用(45)；否则，应用(46)；

其中，F、Fb和Fw分别表示当前解、迄今为止最佳解和最差解的适应度值；然而，当F′值较高时，应用(45)的概率小；(45)和(46)之间的交换也适用于预定义的概率Ps，以进一步促进第一和第二散射阶段，从而加速向迄今为止最佳解决方案的收敛；最后，将这两个方程之间的交换表述为以下公式：其中，R和R1是0到1之间随机生成的数字。

7.根据权利要求1所述的一种锂电池荷电状态和健康状态联合估计方法，其特征在于，所述步骤(5)实现过程如下：(51)确定需要优化的深度学习模型超参数，包括训练次数、学习率、神经元个数以及搜索寻优范围；

(52)初始化光谱优化器算法的相关参数，包括个体种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数；

(53)将锂电池实际荷电状态值Yi与预测输出的SOC值Oi的均方误差作为适应度函数：(54)通过计算适应度函数值，进行射线方向和种群的更新；

(55)重复步骤(53)和步骤(54)，直至最大迭代次数；

(56)输出最优网络超参数，即最佳粒子位置，将这些超参数代入iTransFormer模型进行荷电状态预测。

8.根据权利要求1所述的一种锂电池荷电状态和健康状态联合估计方法，其特征在于，利用步骤(6)实现过程如下：由SOC定义可知，在电池放电过程中，t＝t1和t＝t2的SOC表达式分别如下式所示：其中，t1＜t2；将两个公式做差可以推导出SOH计算公式：将t1时刻选择为模型在第15个数据单元所对应的时刻，t2选择为放电结束的时刻，获得这两个时刻下的SOC预测值与放电过程中所释放的电量即可完成对SOH的估计。

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至8任一项所述的一种锂电池荷电状态和健康状态联合估计方法的步骤。

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至8任一项所述的一种锂电池荷电状态和健康状态联合估计方法的步骤。