1.基于SD‑Crossformer的锂电池健康状态预测方法，其特征在于，具体按照以下步骤实施：步骤1：获取锂电池容量衰减数据集，对数据集进行降噪处理后将其按照比例划分训练集和测试集；

步骤2：构建锂电池状态预测SD‑Crossformer模型；

所述的SD‑Crossformer模型是基于Transformer的用于时序序列预测的模型，能有效处理数据中的噪声和异常值，首先，输入数据通过堆叠降噪自编码器SDAE进行降噪、处理异常值，堆叠降噪自编码器SDAE的输出作为SD‑Crossformer模型的输入，其次，在SD‑Crossformer模型中，解码器层通过在跨时间阶段和跨维度阶段中加入频率加权注意力机制，基于离散余弦变换DCT引入频率信息进而得到注意力权重；

所述SD‑Crossformer模型中预测模块内容如下：

为了预测锂电池健康状态，在最后一个Crossformer层添加全连接输出层，对于输入的多变量的序列数据，将每个变量作为一个特征，将整个序列作为一个样本，通过全连接层的神经元学习到各个特征之间的权重和关系，从而将多变量的序列数据转化为预测SOH的输出结果；加权特征累加公式如式(8)所示：式(8)中，L为解码器层的数量，Xwrighted,i为第i层加权后的输出特征 为加权特征累加的结果序列，即预测序列；

步骤3：将训练集输入上述构建好的SD‑Crossformer模型中，采用网格搜索法获取模型最佳参数；

步骤4：将测试集输入到步骤3训练后的模型中，输出锂电池健康状态预测的结果。

2.根据权利要求1所述的基于SD‑Crossformer的锂电池健康状态预测方法，其特征在于，步骤1中，所述锂电池容量衰减数据集为NASA锂电池老化数据集，使用堆叠降噪自编码器SDAE对数据集中的数据去噪；

所述堆叠降噪自编码器SDAE由多个降噪自编码器DAE堆叠而成。

3.根据权利要求2所述的基于SD‑Crossformer的锂电池健康状态预测方法，其特征在于，步骤1所述去噪具体方法如下：首先，对NASA电池数据集进行归一化，设变量X＝{X1,X2,X3…Xn}，归一化变换公式如下：式(1)中，Xi代表数据集中的容量数据，ui、σi为Xi的均值和标准差，n代表容量数据的个′数，样本数据Xi为其归一化后的变量值；

′ ′ ′ ′ ′

其次，设归一化后样本数据X＝{X1 ,X2 ,X3 …Xn}，将高斯噪声∈加入到原始数据中，′ ′ ′则加入噪声的输出数据为x ＝Xi +∈；所述堆叠降噪自编码器SDAE将加噪后的输入数据x映射为隐藏层的表示：′

h＝fencoder(x) (2)式(2)中，h为隐藏层的表示，fencoder(·)为编码器的映射函数，其中包括激活函数、权重、偏置；

最后，解码器将隐藏层的表示h映射回原始输入数据的重构 所述解码器由多个全连接层组成，并且将通过激活函数重构的输出进行线性变换，使用重构数据 和原始数据x之间的差异作为损失函数：式(3)中，m为样本的维度，xi和 分别是原始数据和重构数据的第i个特征，通过最小化重构数据与原始数据之间的差异，堆叠降噪自编码器学习到数据的有效表示，并且在重构过程中抑制高斯噪声的影响。

4.根据权利要求1所述的基于SD‑Crossformer的锂电池健康状态预测方法，其特征在于，步骤1所述数据集按照6：4的比例划分训练集和测试集。

5.根据权利要求1所述的基于SD‑Crossformer的锂电池健康状态预测方法，其特征在于，基于离散余弦变换DCT引入频率信息进而得到注意力权重的方法如下：所述的频率加权注意力机制通过离散余弦变换DCT引入频率信息，式(4)为一维DCT的函数表达：式(4)中，Sα为电池序列的长度， 表示DCT变换后的频域系数，l表示频率的索引，取值范围为(0,Sα‑1)， 为原始时域信号中的第i个数据点；

频率加权注意力机制将输入特征沿通道维度分割为n个子组分别为[H0,H1,H2…Hn‑1]，随后，对于子组将由低频到高频相应的DCT频率分量进行处理，每个单个通道将由相同的频率分量进行处理，式(5)为其计算公式：i

式中，Freq 为第i个子组的频率向量，经过离散余弦变换DCT处理后的结果，DCT(Hi)代表离散余弦变换DCT中的频率分量，Sα为电池序列的长度，Hi为输入特征图中的第i个子组，j为对应于H的频率分量的索引，取值范围为[0,Sα‑1]；

i

通过求解获得Freq，将每个频率向量堆叠运算得到整个频率向量Freq。

6.根据权利要求5所述的基于SD‑Crossformer的锂电池健康状态预测方法，其特征在于，在注意力机制层的跨时间阶段对时间序列数据进行频域转换，并在注意力计算中结合频域特征，从而捕捉时间序列中的周期性模式，然后经过重排列，在跨维度阶段，再次对数据进行频域转换，并结合频域信息计算维度间的注意力，从而识别不同维度之间的频率相关性；

每一个解码器层都会使用注意力分数对值进行加权求和，得到注意力加权后的表示，并将当前加权特征与前一解码器的预测结果求和并作为下一解码器层的输入，权重和加权特征计算的公式为式(6)和式(7)：Zpos＝Z+PE         (6)

Zweighted＝Zpos+Attention(Zpos，FWA(Zpos))    (7)上式中，Z为输入数据或上一层注意力层的预测输出，PE为相对位置编码矩阵，Zpos表示输入数据与相对位置编码相加后的新的数据表示，FWA(*)表示频率加权注意力，Attention(Zpos,FWA(Zpos))表示频率加权注意力机制增强的注意力加权得分，Zweighted为每层加权特征。

7.根据权利要求3所述的基于SD‑Crossformer的锂电池健康状态预测方法，其特征在于，步骤3中，采用网格搜索法获取模型最佳参数，所述网格搜索法首先要定义参数空间；其次创建参数网格，将所有可能的参数组合列出；接下来训练和验证模型，对于参数网格中的每个组合，使用交叉验证来训练模型，并评估其性能；最后根据评估指标选择性能最好的参数组合。

8.根据权利要求3所述的基于SD‑Crossformer的锂电池健康状态预测方法，其特征在于，步骤3具体如下：首先，定义参数空间：确定需要优化的超参数及其可能的取值范围；对于SD‑Crossformer模型，需要优化的参数有：层数num_layers、模型维度d_mode1、注意力头的数量num_heads、前馈网络的维度d_ff、学习率learning_rate；

其次，为每个待优化参数指定初始值和优化区间：层数num_layers的优化区间为[2,4,

6]，模型维度d_mode1的优化区间为[128,256,512]，注意力头的数量num_heads的优化区间为[4,8]，前馈网络的维度d_ff的优化区间为[512,1024,2048]，学习率learning_rate的优化区间为[1e‑4,5e‑4,1e‑3]。