1.一种智能化电池SOH实时预测方法，其特征在于，包括以下步骤：步骤一：获取电池健康状态历史数据；

步骤二：设置ISCO‑GRU‑OL动态模型所需参数；

所述ISCO‑GRU‑OL动态模型由ISCO‑GRU模型和在线学习模块构成；所述所需参数包括改进的鲨鱼合作优化算法所需参数、构建ISCO‑GRU模型所需参数和在线学习模块所需参数；

步骤三：基于改进鲨鱼合作优化算法和电池健康状态历史数据，采用基于滑窗流转训练的优化策略，以门控循环单元神经网络在滑窗流转训练下预测值的均方根误差为适应度函数，优化门控循环单元神经网络的超参数；

所述改进鲨鱼合作优化算法，包含白鳍礁鲨和灰礁鲨两种不同类型个体相互协作，其搜索步骤包含四个阶段：(1)初始化；(2)团队狩猎；(3)个体追踪；(4)局部强化和全局探索；

(1)在初始化阶段，随机生成N1条白鳍礁鲨，N1表达式为：N1＝round(N×P1)

其中N代表个体总数量，P1代表白鳍礁鲨个体占总个体比例，round()函数代表对括号内的数值四舍五入取整数；

每条白鳍礁鲨的初始位置计算如下：

Mi＝lb+(ub‑lb)×rand(0,1)

其中，Mi代表第i条白鳍礁鲨个体的位置，i＝1,2,…N1，lb为搜索域的下限，ub为搜索域的上限，Mi，lb，ub都是D维向量，其中D代表求解问题维度，rand(0,1)代表0～1之间的随机数组成的D维向量；

(2)在团队狩猎阶段，包含了三个子阶段：(i)选举领袖；(ii)生成灰礁鲨并组建团队；

(iii)团队狩猎；

(i)选举领袖子阶段，计算N1条白鳍礁鲨的适应度值，选取适应度值最优的P条白鳍礁鲨作为领袖：P＝round(N×P2)

其中，P2代表鲨鱼领袖占总个体比例；

(ii)生成灰礁鲨并组建团队子阶段，每个领袖周围产生数量为Si的灰礁鲨，并由该领袖和该领袖周围产生的灰礁鲨组成一个领袖团队，灰礁鲨的数量取决于领袖的适应度值和灰礁鲨的总数，当第i条白鳍礁鲨为领袖时，生成的灰礁鲨数量Si为：Si＝round((1/F(Mi)/Ftotal×N×(1‑P1))其中Ftotal是所有领袖白鳍礁鲨适应度值的倒数之和，如下：当i属于领袖时；

其中F()是适应度函数；

所有领袖生成灰礁鲨后，判断实际灰礁鲨生成总数∑Si与期望灰礁鲨生成总数1‑P1是否一致，若：∑Si>1‑P1，则增加适应度最优的领袖生成的灰礁鲨数量，增加的数量为∑Si‑(1‑P1)；

∑Si＝1‑P1，则灰礁鲨数量不变；

∑Si<1‑P1，则减少适应度最差的领袖生成的灰礁鲨数量，减少的数量为(1‑P1)‑∑Si，若适应度最差领袖生成的灰礁鲨数量小于(1‑P1)‑∑Si，则继续减少适应度次差领袖生成的灰礁鲨数量，直至∑Si＝1‑P1；

生成灰礁鲨的位置计算如下：

Mij＝Mi+1/T×(ub‑lb)×(1‑t/T) j＝1,2…,Si其中设Mij表示领袖i生成的第j条灰礁鲨的位置；T是最大迭代次数，t是当前迭代次数；

如果灰礁鲨的位置在任何维度上超过搜索空间边界，则该维度的值将调整为最接近的边界值；

(iii)团队狩猎子阶段，计算每个灰礁鲨的适应度值，并将白鳍礁鲨的位置更新为该白鳍礁鲨所在团队中适应度值最优的个体的位置；

(3)在个体追踪阶段，包括三个子阶段：(i)选择目标领袖；(ii)计算预期更新点；(iii)位置更新；

(i)选择目标领袖子阶段，每只白鳍礁鲨都会选择一个特定的领袖来跟随，领袖i被选择的概率R(i)表示为：当i属于领袖时；

其中，e为自然对数的底数；

(ii)计算预期更新点子阶段，白鳍礁鲨的预期更新点由三个因素决定：个体追随项、全局追随项和惯性项组成，如果白鳍礁鲨j选择以领袖i为目标，那么它的预期更新点Mpj为：Mpj＝Mj+AGj×(dk1)j+(1‑AGj)×(dk2)j+(dk3)j其中，Mj代表白鳍礁鲨j的位置，(dk1)j是目标跟踪项，(dk2)j是全局跟踪项，而(dk3)j是惯性项，AGj是迭代因子,表达式分别为：(dk1)j＝Smax×Fij×AGj×(Mi‑Mj)(dk2)j＝Smax×Fjbest×AGj)×(Mi‑Mj)(dk3)j＝0.2×(AGj×(dk1)j+(1‑AGj)×(dk2)j)×AGj(‑t/T)

AGj＝e

其中Fij是目标跟踪影响项，Fjbest是全局跟踪影响项，Smax是最大步长，表达式分别为：Fij＝1‑(F(Mj)‑F(Mi))/(F(M)max‑F(M)min)Fibest＝1‑(F(Mj)‑F(M)min)/(F(M)max‑F(M)min)(1/2)

Smax＝(ub‑lb)/(N×T)

其中F(M)max和F(M)min分别代表所有白鳍礁鲨中的最优适应度值和最差适应度值；

如果预期更新点超出搜索空间边界，则该维度的值将调整为最接近的边界值；

(iii)位置更新子阶段，首先，评估每条白鳍礁鲨的预期更新点的适应度值；其次，对于非领袖白鳍礁鲨，直接将其位置更新为预期更新点；再次，对于领袖白鳍礁鲨，只有当预期更新点位置适应度值优于当前位置适应度值时，才会将其位置更新为预期更新点；

(4)在局部强化和全局探索阶段，对于适应度最差的白鳍礁鲨，其位置更新为适应度最优的领袖白鳍礁鲨所在团队中适应度次优个体的位置；对于适应度次差的白鳍礁鲨，在搜索域范围内按照初始化阶段的方法重新生成新的位置；

每次迭代后，记录最优位置和适应度值并删除所有灰礁鲨个体，并对终止标准进行评估，如果满足标准，则计算终止，输出最优参数和最优适应度值，否则重复计算阶段(2)～阶段(4)；

步骤四：基于优化的超参数，结合历史电池健康状态数据建立并训练ISCO‑GRU模型；

步骤五：根据获取的最新电池健康状态数据和在线学习频率FOL，基于在线学习模块对ISCO‑GRU模型进行参数微调，得到参数微调后的ISCO‑GRU模型；

步骤六：基于最新ISCO‑GRU模型和最新的电池健康状态数据，预测未来的电池健康状态数据。

2.如权利要求1所述的一种智能化电池SOH实时预测方法，其特征在于，步骤二中，所述改进的鲨鱼合作优化算法所需参数，包括个体总数量N，白鳍礁鲨个体占总个体比例P1、鲨鱼领袖占总个体比例P2，最大迭代次数T；所述ISCO‑GRU模型所需参数包括ISCO‑GRU模型训练窗口大小W1、ISCO‑GRU模型训练迭代次数EPO1、滑窗流转训练次数WN、超参数寻优范围上限ub和下限lb；所述在线学习模块所需参数包括在线学习频率FOL、在线学习窗口大小W2。

3.如权利要求1所述的一种智能化电池SOH实时预测方法，其特征在于，步骤三中，所述门控循环单元神经网络包括输入层、包含L2正则化的GRU层、dropout层、Dense全连接层、使用Adam优化器的回归层；所述超参数包括门控循环单元模型的单元数、学习率、Dropout率、L2正则化强度。

4.如权利要求1所述的一种智能化电池SOH实时预测方法，其特征在于，步骤三中，所述滑窗流转训练的优化策略，是指在优化超参数时，每给定一组超参数，会按滑窗流转方式进行WN次训练和预测，并在WN次滑窗流转训练完成后，以WN次预测值与真实值求得均方根误差，并以均方根误差作为优化超参数所需的适应度函数，其中WN为滑窗流转训练次数。

5.如权利要求1所述的一种智能化电池SOH实时预测方法，其特征在于，步骤五中，所述在线学习模块，是指每获得在线学习频率FOL个最新电池状态数据，以最新数据前的W2个数据为训练输入，最新数据为训练输出，对ISCO‑GRU模型进一步训练实现参数微调，其中W2为在线学习窗口大小。