1.一种基于可微连续映射的锂电池健康监测模型自学习方法，其特征在于：包括以下步骤：S1：根据锂电池健康状态监测的任务类型，以1d-CNN和AST-LSTM NN为核心模块进行组合，根据任务要求的性能指标以及网络本身的损失函数大小为约束，挑选适应任务需要的神经网络模型；

S2：在获得与各类健康状态监测任务匹配的神经网络模型之后，采用可微结构的自动学习方法，对这些神经网络进行自动训练。

2.根据权利要求1所述的基于可微连续映射的锂电池健康监测模型自学习方法，其特征在于：步骤S1中，以1d-CNN和AST-LSTM NN为核心模块，按以下四种基本方式对其组合，根据任务要求的性能指标以及网络本身的损失函数大小为约束，挑选适应任务需要的神经网络模型：在上式中，Y为锂电池健康状态监测的指标，是集合{SOH,RUL,SOC,SOF,…异常分类}中的任意元素或其组合； 表示神经网络模型的非线性映射作用；ΘA和ΘC分别为AST-LSTM NN与1d-CNN模块中的超参数；netA和netC分别为AST-LSTM NN与1d-CNN模块的输入；

和 分别为上述组合的损失函数；am和cn分别为AST-LSTM块的个数与1d-CNN中的通道宽度；w为这些神经网络中的权值。

3.根据权利要求1所述的基于可微连续映射的锂电池健康监测模型自学习方法，其特征在于：步骤S2中，自动学习框架包括离散网络结构的连续可微映射、部分通道连接、局部边界归一化，具体为：S21：离散化监测模型的连续可微映射，采用网络结构、网络单元表示为有向无环图，将结构搜索问题进行松弛，转化为连续变量优化问题；

S22：在进行局部通道自动学习时，网络的超参数定义为K；连接被选定，即Si,j＝1，占所有连接的比例为1/K，通过改变K，实现方式灵活的自动学习，并在学习精度，即K较小，和效率，即K较大之间找到平衡点；

S23：引入边界归一化的自动学习，缓解潜在的波动。

4.根据权利要求3所述的基于可微连续映射的锂电池健康监测模型自学习方法，其特征在于：步骤S21具体包括：将锂电池健康状态监测的神经网络模型，分解为L个单元，每个单元为具有N个节点的有向无环图，每个节点代表模型中的一个网络层；预定义一个操作空间Ο，该空间中每个元素o(·)代表在网络层上执行的固定操作，包括卷积、池化、连接、LSTM单元中的遗忘门、输入门、输出门、CEC控制门操作；

网络的自动学习是从操作空间Ο选择一个操作，使得某一个单元中的几点进行连接配对，令一对节点为(i,j)，0≤i＜j≤N-1，从i到j的信息传递被视为一个加权和操作|Ο|，即：其中，xi是第i个节点的输出， 是加权运算o(xi)对应的一个超参数，节点j的输出是与其相连的所有节点的加权输入之和，即：在固定节点x0和x1作为单元输入之后，整个锂电池健康状态监测模型的单元输出对应于串联节点x2至节点xN-1；设Lt和Lv分别为训练集与验证集上的损失，自动学习的目标为：w*＝arg minwLt(w,α*)  (4)

α*和w*分布为上层、下层优化变量，此优化问题进一步描述为

minαLv(w*(α),α) s.t.w*(α)＝arg minwLt(w,α)  (5)在求解上述优化问题过程中，当执行k次迭代时，根据当前结构αk-1，通过将wk-1向着使得训练误差Lt(wk-1,αk-1)最小化的方向移动得到wk；然后固定wk，最小化在验证集上的损失，此过程的代价为：Lv(wk-ηLt(wk,αk-1),αk-1)；为求解此代价，对w进行迭代的梯度下降计算，根据复合导数原则，代价函数对α的梯度为：其中，

如此，网络每层都有可微分权重w*和超参数α*，且按梯度下降方式进行自动学习与架构搜索。

5.根据权利要求3所述的基于可微连续映射的锂电池健康监测模型自学习方法，其特征在于：步骤S22具体包括：定义节点xi到节点xj的状态为Si,j，当二者连接时，其值为0，且不进行操作|Ο|，直接复制到单元输出，反之为1，执行操作|Ο|；此过程表示为：将考察 的内存开销，通过大量数值实验，分析在小批量操作中，分析更多的训练数据对网络权值和结构参数更新不确定性的影响。

6.根据权利要求3所述的基于可微连续映射的锂电池健康监测模型自学习方法，其特征在于：步骤S23中，定义归一化操作βi,j，对有向图中的每个边，即(i,j)，进行显式加权，并采用下式计算在局部通道自动学习的同时，边(i,j)的连接由 和βi,j共同决定，即，将归一化系数和 进行相乘；在学习过程中，权重参数最大的边将被选中。