1.一种基于3DCNN的锂离子电池SOC估计方法，其特征在于，包括以下步骤：步骤1）在不同温度下，将全新锂电池充满电，通过恒流放电实验、DST工况放电实验、FUDS工况放电实验和US06工况放电实验，反复测取SOC从1到0的锂离子电池端电压、负载电流数据、内阻；

步骤2）对测取的数据进行预处理，构建用于3DCNN的训练数据集和测试数据集；

步骤3）通过3DCNN卷积神经网络对数据集进行训练，得到3DCNN模型用于实时估计；

所述步骤2）具体包括如下步骤：

步骤2‑1）数据没有统一量纲在神经网络算法拟合时有收敛速度缓慢、误差偏高的问题，对测取的数据进行归一化处理，各种工况实验的电池对象相同，电压电流变化范围不同，先对各种工况的数据单独进行预处理，采用公式（1）对输入数据进行归一化处理：     （1）

其中， 为第 个输入的第 个数据点， 是第 个输入数据的最小值， 是第 个输入数据的最大值， 是 进行归一化处理后的数据；

输出为锂电池的SOC，SOC的范围在0到1之间，不需要进行归一化处理；

步骤2‑2）数据归一化处理后，为了发掘一个放电周期中各个输入数据间的联系和相邻放电周期之间的联系，使用一种新的方法构建数据集，首先将一个放电周期中的测量值截取成若干个长度为 的数据，如下所示：  （2）

其中， 表示输入数据集中第 个输入的第 幁数据，3DCNN卷积神经网络同时输入一个时间戳上的多帧数据，通过选取同一放电时间段上的连续 个放电周期的电压电流数据作为3DCNN的一个输入，取3，数据集中，表示电池工作时的温度， 表示电池两端的电压，表示电池通过的电流， 表示本放电周期的电池内阻，表示放电的时间，取5，则 对应的输出 为 时刻第2帧的SOC值；

步骤2‑3）对于一个总循环充放电次数 、单放电周期 的工况放电实验，为了充分发掘每一个放电周期内前后输入数据间的联系和相邻放电周期之间输入数据的联系，使用padding方法对边缘数据进行扩充，然后总共生成 组输入数据，对应的 个SOC值为输出数据，不同工况的输入输出数据合并成为总数据集；

步骤2‑4）为了保证工况的连续性和对特征的充分挖掘，采用总数据集中放电工况前

80%的数据作为训练数据集后，20%的数据作为测试数据集，用于3DCNN的训练和测试；

所述步骤3）具体包含如下步骤：

步骤3‑1）针对锂离子电池SOC估计开发的3DCNN卷积神经网络架构包括：一个输入层、两个卷积层、一个池化层、一个全连接层和一个输出层；

输入层（Input）：连续3帧大小为 的输入数据幁作为输入；

卷积层（Convolution C1）：对输入的数据使用大小为 的3D卷积核进行卷积操作，卷积核在每次进行卷积运算时都能够包含中心的数据，以便发现当前时刻数据在空间与时间上与其他数据的联系，为了增加特征maps数量，采用两种不同的卷积核，C1层的特征maps数量： ，特征maps大小为： ；

池化层（Sub‑sampling S2）：该层采用 的核进行average pooling操作，池化操作后maps数量不变，大小变为 ；

卷积层（Convolution C3）：以池化层的输出作为该层输入，使用 的卷积核进行卷积操作，选取三种不同的卷积核，C3层的特征maps数量： ，大小为： ；

全连接层（Fully connected layer F4）：全连接层的输入为卷积层输出，输出的maps数量为9和大小也是 ；

输出层（Output）：使用softmax激活来进行最终的锂电池SOC估计输出。