本發(fā)明提出了一種基于端到端深度學習的鋰電池健康狀態(tài)估計方法。該方法搭建了空洞卷積與雙向LSTM結(jié)合的網(wǎng)絡(luò)模型，令模型在增大網(wǎng)絡(luò)層感受野的同時，能夠獲取更加豐富的時間序列樣本信息，有效提升了電池健康狀態(tài)的估計精度。并且使用了美國宇航局(NASA)預(yù)測卓越中心的電池預(yù)測數(shù)據(jù)集對模型進行訓(xùn)練與效果驗證。首先將原始數(shù)據(jù)經(jīng)過預(yù)處理后輸入三個級聯(lián)的空洞卷積模塊與一個雙向LSTM層，然后對網(wǎng)絡(luò)模型進行訓(xùn)練并仿真驗證，保存網(wǎng)絡(luò)權(quán)重參數(shù)，最后將訓(xùn)練好的網(wǎng)絡(luò)模型在測試集上進行測試，得到電池健康狀態(tài)估計結(jié)果。