1.基于ACO‑GRU‑LSTM的锂电池SOC估计方法，其特征在于，所述方法包括以下步骤：S1、数据预处理与特征提取，根据锂电池的充放电实验数据，使用移动均值、移动方差、移动均方根以及奇异值分解的方法提取出电流电压数据的移动均值、移动方差、移动均方根、左奇异向量关键特征，并进行归一化处理，以增强特征对SOC估计的相关性，所充放电实验数据包括电池端电压和电流；

S2、蚁群优化算法优化GRU‑LSTM超参数，采用蚁群优化算法对GRU‑LSTM的超参数进行优化，蚁群通过探索搜索空间，逐步收敛至最优超参数组合，最小化GRU‑LSTM的SOC估计误差；

S3、训练蚁群优化算法优化的GRU‑LSTM，以锂电池的充放电实验的电流、电压提取的特征作为输入，SOC作为输出，构建训练数据集；利用蚁群优化算法优化后的GRU‑LSTM进行SOC估计，并采用均方根误差作为损失函数，调整网络权重，提高SOC预测精度；

S4、SOC估计结果优化与输出，对GRU‑LSTM输出的SOC估计值应用滑动平均滤波进行平滑处理，以减少短时波动带来的误差；与真实SOC数据对比，评估估计精度和稳定性，最终输出优化后的SOC估计结果。

2.根据权利要求1所述的基于ACO‑GRU‑LSTM的锂电池SOC估计方法，其特征在于，步骤S1中，使用移动均值、移动方差、移动均方根以及奇异值分解的方法提取出电流电压数据的移动均值、移动方差、移动均方根、左奇异向量关键特征，并进行归一化处理的步骤包括：S11、使用移动均值、移动方差、移动均方根以及奇异值分解的方法提取关键特征，计算公式如下：；

式中， 为滑动窗口大小、 为时间序列电压电流数据，为当前时刻，为窗口内的时间序列， 为当前时刻电压电流的移动平均值；

；

式中， 为滑动窗口大小， 为时间序列电压电流数据，为当前时刻，为窗口内的时间序列， 为当前时刻电压电流的移动平均值， 为当前时刻电压电流的移动方差；

；

式中， 为滑动窗口大小， 为时间序列电压电流数据，为当前时刻，为窗口内的时间序列， 为当前时刻电压电流的移动均方根值；

；

式中， 为左奇异向量矩阵， 为奇异值矩阵， 为右奇异向量矩阵， 为时间序列电压电流数据；

S12、使用零均值归一化方法对提取出的电流电压数据的移动均值、移动方差、移动均方根、左奇异向量进行归一化处理，计算公式如下：；

式中， 为根据电流电压数据提取出的关键数据特征， 为数据特征的样本均值， 为数据特征的样本标准差， 为归一化处理后的数据。

3.根据权利要求1所述的基于ACO‑GRU‑LSTM的锂电池SOC估计方法，其特征在于，步骤S2中，使用蚁群优化算法对GRU‑LSTM的超参数进行优化的步骤包括：S21、设置目标函数：

；

；

其中， 为均方根误差， 为样本数量， 为预测的第 个 值，为实际的第 个 值， 为GRU‑LSTM的超参数，包括隐藏层神经元数、学习率、批量大小和Dropout 率；

S22、生成超参数解向量：

蚂蚁在搜索空间生成候选解，第 只蚂蚁的超参数向量为：；

式中， 为GRU‑LSTM的超参数， 为隐藏层神经元数， 为学习率， 为批量大小， 为随机失活率；

蚂蚁 在第 轮迭代时的选择概率由信息素浓度决定：；

式中，为某超参数的具体取值，为当前迭代次数， 为所有可能的超参数组合， 为所有可能超参数的索引， 为蚂蚁 选择超参数 的概率，为信息素浓度， 为启发式信息， 和 分别控制信息素与启发信息的影响程度；

S23、蚁群优化算法采用全局更新规则，每轮迭代后信息素更新：；

；

式中， 为当前信息素浓度， 为更新后的信息素浓度， 为信息素挥发系数，为蚂蚁的数量， 为蚂蚁 贡献的信息素增量， 为常数， 为蚂蚁 训练出的GRU‑LSTM的误差；

S24、重复步骤S22‑S23循环计算，达到最大迭代次数后停止优化，输出最优超参数组合。

4.根据权利要求1所述的基于ACO‑GRU‑LSTM的锂电池SOC估计方法，其特征在于，步骤S3中，使用蚁群优化算法优化后的GRU‑LSTM得到SOC估计值的步骤包括：S31、GRU‑LSTM通过门控机制对时间序列数据进行建模，其中GRU通过更新门和重置门调整历史信息的影响，LSTM通过遗忘门、输入门和输出门动态调节信息流，使循环网络的权重在时间步长上动态变化，从而适应不同时间步的积分尺度；

在信息传递的过程中，GRU通过更新门控制当前时刻状态对历史状态的依赖程度，计算公式如下：；

S32、GRU通过重置门选择性遗忘部分历史信息，以提取当前时刻的关键信息，其计算公式如下：；

S33、计算新的候选隐状态，结合当前输入和过去的信息，更新当前时刻的GRU隐状态，公式如下：；

式中， 为更新门控制当前隐藏状态 保留过去的状态 ， 为 激活函数，为当前时刻的输入， 为更新门的权重矩阵， 为候选隐状态的权重矩阵， 为更新门的偏置， 为重置门的偏置， 为候选隐状态的偏置， 为重置门， 为候选隐藏状态， 为双曲正切激活函数；

S34、LSTM通过遗忘门选择保留或遗忘的历史信息，该过程由 函数控制，计算公式如下：；

式中， 为遗忘门的输出， 为 激活函数， 为遗忘门的权重矩阵， 为遗忘门的偏置， 为前一时刻的隐状态， 为当前时刻的输入；

S35、LSTM通过输入门选择当前时刻要更新的信息，计算输入门的控制变量和新的候选细胞状态，如下式所示：；

；

式中， 为输入门的输出， 为输入门的权重矩阵， 为输入门的偏置， 为候选细胞状态， 为候选细胞的权重矩阵， 为候选细胞的偏置；

S36、计算当前时刻的细胞状态：

；

式中， 为当前时刻的细胞状态， 为前一时刻的细胞状态；

S37、LSTM通过输出门决定当前时刻的最终输出，并更新隐状态：；

；

式中， 为输出门， 为输出门的权重矩阵， 为输出门的偏置， 为当前时刻的隐状态。

5.根据权利要求1所述的基于ACO‑GRU‑LSTM的锂电池SOC估计方法，其特征在于，步骤S4中，将GRU‑LSTM输出的SOC估计值应用滑动平均滤波进行平滑处理的步骤包括：；

式中， 为当前时刻SOC的平滑输出，为当前时刻，为时间索引的偏移量， 为滑动窗口大小， 是当前时刻及其前 个SOC估计值，经滑动平均滤波平滑处理处理后，输出最终估计的SOC值。