1.基于多尺度双重时序Mamba的锂电池SOH估计方法，其特征在于，执行如下步骤S1‑步骤S5，完成目标锂电池的健康状态估计：步骤S1：采集目标锂电池的原始充放电监测数据，包括电压、电流、温度及采样时刻索引，然后基于电池退化机理提取多维健康因子，并构建时间特征向量；提取异构的电池特征向量进行标准化，并使用滑动窗口方法构建时间特征序列；

步骤S2：构建多尺度稀疏扫描模块，输入时间特征序列，沿时间维度进行分割，获得各子序列，针对各子序列进行因果特征门控，捕捉多尺度电池退化动态，对各子序列进行拼接重建，作为多尺度稀疏扫描模块输出的增强特征序列；

步骤S3：构建分层双重时序注意力模块，包括两层架构，第一层针对多尺度稀疏扫描模块输出的增强特征序列，通过非因果路径捕捉全局上下文，第二层通过因果路径建模因果依赖关系；最终使用自适应加权方法将两层的输出进行组合，获得分层双重时序注意力模块输出的特征序列；

步骤S4：构建状态空间模型，输入经分层双重时序注意力模块处理的特征序列，基于离散化的演化过程，对特征序列进行状态更新，获得状态空间模型输出的高维特征；最后，结合残差连接与层归一化处理，并通过回归层将提取的高维特征映射为归一化的健康状态估计值，并经逆归一化变换还原为最终的电池健康状态；

步骤S5：由多尺度稀疏扫描模块、分层双重时序注意力模块、状态空间模型构成电池健康状态估计模型，对电池健康状态估计模型进行训练，应用训练好的电池健康状态估计模型，完成目标锂电池的健康状态估计。

2.根据权利要求1所述的基于多尺度双重时序Mamba的锂电池SOH估计方法，其特征在于，步骤S1的具体步骤如下：步骤S1.1：采集目标锂离子电池的原始充放电监测数据，包括电压 、电流 、温度 及采样时刻索引 ，其中，表示在单次充电或放电过程中按时间顺序排列的离散采样时刻；

基于电池退化机理提取多维健康因子，并构建时间特征向量；利用安时积分法处理充电或放电过程中的原始电流与采样时刻索引数据，计算得到每个循环的累积放电容量 ，由此，构建出包含 、、、及 的充放电谱图，基于充放电谱图，提取电池特征向量如下：在每个循环中，基于放电过程特定电压区间内的容量‑电压演变数据构建二次回归模型：；

其中， 、 分别表示在放电过程中，在特定放电电压区间内相对于放电电压的第 个、第 个采样时刻对应的瞬时累积放电容量，是采样时刻索引；表示服从正态分布的测量误差； 为回归系数，为截距项；Vj、Vj+1分别为第 个、第 个采样时刻的电压；

提取回归系数 及截距项 两个特征，用以表征目标锂电池在局部放电区间内电压‑容量曲线的形态畸变及动力学演变趋势；

对单次充电或放电过程中采集的电压–累积容量数据进行数值微分，得到增量容量曲线，并进一步提取增量容量 曲线的最大值 、最小值 、方差 作为统计特征，用以表征目标锂电池在循环内内部电化学相变强度及反应峰形特性；

统计恒流充电阶段持续的时间，记为充电时间 ，以表征目标锂电池充电接受能力的下降；计算单次循环的平均温度 ；基于充放电切换瞬间的电压阶跃计算特征直流内阻 ；

步骤S1.2：基于鲁棒缩放器，对异构的电池特征向量进行标准化，具体如下式：；

式中， 表示标准化后的电池特征向量， 表示原始的第 个电池特征向量，表示原始的电池特征向量 的中位数， 、 分别表示原始的电池特征向量 的第一四分位数和第三四分位数；

步骤S1.3：针对原始数据集中所有标准化后的电池特征向量，使用滑动窗口方法构建时间特征序列，滑动窗口的窗口长度固定为20个时间步，步长为1；针对时间步不满20个时间步的时间特征序列，在时间特征序列前面填充零；

步骤S1.4：创建一个原始布尔填充掩码张量Tcmask，明确标识填充位置。

3.根据权利要求2所述的基于多尺度双重时序Mamba的锂电池SOH估计方法，其特征在于，步骤S2中具体步骤如下：步骤S2.1：输入时间特征序列 首先被转置，其中 表示实数域，其上标表示相应的维度形状，表示批量大小，表示时间特征序列长度， 表示特征维度；然后沿时间维度进行分割，获得 个子序列 ， ；其中i为子序列索引，取值范围为；

当 时， 定义为：

；

当 时， 定义为：

；

其中， 表示被分割和转置后的第i个子序列；其中， 是标准分段长度， ， 是子序列总数； 是通过转置操作后的时间特征序列，表示索引操作符，其中的逗号表示维度分隔符，冒号表示切片操作符，表示转置操作；

步骤S2.2：针对每个子序列都进行深度卷积增强，具体如下式：；

其中， 表示深度卷积增强后的第i个子序列， 是一个可学习的标量，表示深度卷积操作；

步骤S2.3：通过沿时间维度进行平均池化，为每个子序列提取全局特征向量：；

其中， 是第i个子序列的全局特征向量， 是子序列内部的时间步索引， 表示第i个子序列的实际长度； 表示索引操作符，其中的逗号表示维度分隔符，冒号表示切片操作符；

步骤S2.4：基于全局特征向量，计算各子序列的累积特征向量：；

；

；

其中， 是第i个子序列的累积特征向量， 是第 ‑1个子序列的累积特征向量；并且 ， ； 是第i个子序列的全局特征向量； 为初始累积特征向量， 为元素值均为零的特征向量；

采用门控网络为每个子序列独立计算门控权重：；

其中， 是第i个子序列的门控权重， 表示执行全局自适应平均池化， 表示 的卷积投影层； 表示 函数；表示索引操作符，其中的逗号表示维度分隔符，冒号表示切片操作符；索引操作 表示提取当前子序列的门控权重；

基于门控权重，进行加权操作，具体如下式：；

其中， 表示第i个门控子序列， 表示深度卷积增强后的第i个子序列， 表示逐元素乘法，门控权重 通过广播机制与 进行逐元素乘法运算；

步骤S2.5：针对门控子序列沿时间维度进行拼接，获得拼接重构序列：；

其中， 表示拼接重构序列， 表示拼接操作，表示拼接重构序列长度， ， 表示第i个子序列的实际长度；

针对拼接重构序列进行长度校正，若长度与时间特征序列长度不一致，则更新 为其切片部分：；

其中，表示索引操作符，其中的逗号表示维度分隔符，冒号表示切片操作符；

步骤S2.6：结合残差连接与正则化，获得多尺度稀疏扫描模块输出的增强特征序列：；

其中，是多尺度稀疏扫描模块输出的增强特征序列， ； 表示对进行转置操作； 为层归一化函数， 为dropout函数，为输入时间特征序列。

4.根据权利要求3所述的基于多尺度双重时序Mamba的锂电池SOH估计方法，其特征在于，步骤S3中构建分层双重时序注意力模块第一层的具体步骤如下：步骤S3.1.1：将多尺度稀疏扫描模块输出的增强特征序列 重塑为特征组：；

其中，是批量大小，是时间特征序列长度， 表示特征维度， 是特征组的数量，是每个特征组内的特征维度； 是输入特征张量经过维度重塑后得到的张量；

步骤S3.1.2：每个特征组的输入特征通过第一层的共享线性投影矩阵进行转换：；

其中， 为第 个特征组的输入特征，具体是从 中提取出的第 个特征组所对应的特征分量， 是所有特征组共享的线性投影矩阵； 是第 个特征组经过投影后的特征表示；是特征组的索引变量，取值范围为 ；

步骤S3.1.3：分别针对各特征组经过投影后的特征表示，通过深度卷积进行多尺度特征增强：；

其中， 表示第一层中第 个特征组通过卷积增强的查询特征； 代表维度置换操作， 表示一维深度卷积操作；

步骤S3.1.4：基于卷积增强的查询特征，计算各特征组的注意力输出特征：；

；

；

其中， 是第 个特征组的原始注意力分数矩阵，其维度与 一致； 是一个可学习的参数，初始化为 ； 是分层双重时序注意力模块的第一层中的第 个特征组的归一化注意力权重； 表示 函数； 表示分层双重时序注意力模块的第一层中的全1矩阵； 是通过将查询掩码 和键掩码进行广播操作形成的填充掩码，其中， 是基于原始布尔填充掩码张量Tcmask在键维度上进行扩展得到的， 是基于原始布尔填充掩码张量Tcmask在查询维度上进行扩展得到的； 是第 个特征组的注意力输出特征；

步骤S3.1.5：针对每个特征组的注意力输出特征，首先使用Softmax归一化的可学习参数进行加权，然后重新组合以恢复原始特征维度：；

；

；

其中， 是一个可学习的原始权重向量，表示跨组融合权重向量， 是第 个特征组的归一化权重； 表示第 个特征组的注意力输出特征 按其相应归一化权重 加权后的特征组输出； 表示将加权后的特征组输出沿特征维度进行重塑或拼接， 表示聚合特征张量；

步骤S3.1.6：针对聚合特征张量 ，采用内部门控机制进行融合：；

其中， 是一个可学习的标量门控参数， 是sigmoid激活函数， 是分层双重时序注意力模块的第一层的输出；为多尺度稀疏扫描模块输出的增强特征序列；

步骤S3.1.7：在分层双重时序注意力模块的第一层之后应用残差连接：；

其中， 表示分层双重时序注意力模块的第一层归一化输出， 为层归一化函数。

5.根据权利要求4所述的基于多尺度双重时序Mamba的锂电池SOH估计方法，其特征在于，步骤S3中构建分层双重时序注意力模块第二层的具体步骤如下：步骤S3.2.1：首先，使用固定的正弦编码方案来注入位置信息：；

；

其中， 表示窗口序列内部的时间步索引，表示嵌入维度索引， 表示生成的位置编码矩阵； 、 分别表示时间步 时位置编码矩阵在第 个、 维度处的元素；

步骤S3.2.2：将位置编码矩阵添加到分层双重时序注意力模块的第一层归一化输出中：；

其中， 表示分层双重时序注意力模块的第一层归一化输出， 为位置感知特征张量；

步骤S3.2.3：针对位置感知特征张量 ，采用时间相关性门控对位置编码的影响进行调制：；

其中， 是第一层的标量门控参数，初始化为1.0， 为时间增强特征； 是sigmoid激活函数；

步骤S3.2.4：将时间增强特征 重塑为G个特征组，并通过第二层的共享线性投影矩阵和深度卷积操作，获得第 个特征组针对因果路径的增强查询特征 ：；

；

；

其中， 是第 个特征组的原始因果注意力分数矩阵，其维度与 一致，是分层双重时序注意力模块的第二层中的第k个特征组的归一化注意力权重；

表示分层双重时序注意力模块的第二层中的全1矩阵； 表示第二层中第 个特征组通过卷积增强的查询特征； 是第二层中独立的可学习参数；

是因果掩码 与填充掩码 的交集；其中， 是通过生成一个上三角布尔矩阵构建的，用于确保当前时间步只能关注自身及过去时刻的信息； 是时间增强特征 在第 个特征组的分量； 表示第 个特征组的注意力输出特征；

表示 函数；

步骤S3.2.5：针对第 个特征组的注意力输出特征 ，经过跨组权重融合得到聚合特征张量 ，针对 采用内部门控机制进行融合：；

其中， 是第二层的标量门控参数， 是聚合特征张量； 是分层双重时序注意力模块的第二层的输出；

步骤S3.2.6：在分层双重时序注意力模块的第二层之后应用残差连接：；

其中， 表示分层双重时序注意力模块的第二层归一化输出； 是分层双重时序注意力模块的第二层的输出。

6.根据权利要求5所述的基于多尺度双重时序Mamba的锂电池SOH估计方法，其特征在于，步骤S3中，针对分层双重时序注意力模块的第一层归一化输出、分层双重时序注意力模块的第二层归一化输出，使用自适应加权方法将两层的归一化输出进行组合：；

；

其中， 和 分别是分层双重时序注意力模块的第一层和第二层的归一化输出； 是自适应加权融合特征； 是最终输出；是一个可学习的融合权重，初始化为0.5； 是层归一化函数， 是dropout函数。

7.根据权利要求6所述的基于多尺度双重时序Mamba的锂电池SOH估计方法，其特征在于，步骤S4中具体步骤如下：步骤S4.1：构建状态空间模型，核心方程如下：；

其中， 和 分别是时间步 和 时的隐藏状态； 、 分别为对应于 、的离散化动态矩阵，计算如下式：

；

；

其中，是一个可学习的对角矩阵， 表示矩阵指数函数， 表示时间步长， 表示输入矩阵， 和 基于当前 通过线性投影层动态生成；

步骤S4.2：引入残差连接，如下式：

；

其中， 是一个动态输出矩阵， 表示直通连接权重向量； 表示状态空间模型在时间步 时的局部输出；

步骤S4.3：针对状态空间模型在时间步 时的局部输出 ，通过回归层映射为将电池健康状态，具体如下式：；

式中， 代表时间步 时的归一化电池健康状态估计值， 为权重矩阵， 为偏置项， 为基于当前 通过线性投影层生成的门控分支信号， 为输出投影矩阵，是 经过独立线性变换层得到的残差特征分量，为可学习的自适应缩放系数， 表示逐元素乘法， 表示ReLU激活函数， 表示SiLU激活函数。