SARMAH S B ， KALITA P ， GARG A ， et al . A review of state of health estimation of energy storage systems： challenges and possible solutions for futuristic applications of Li-ion battery packs in electric vehicles ［J］. Journal of Electrochemical Energy Conversion and Storage ， 2019 ， 16 （ 4 ）： 1 .

TIAN H X ， QIN P L ， LI K ， et al . A review of the state of health for lithium-ion batteries： research status and suggestions ［J］. Journal of Cleaner Production ， 2020 ， 261 ： 120813 .

HANNAN M A ， LIPU M S H ， HUSSAIN A ， et al . A review of lithium-ion battery state of charge estimation and management system in electric vehicle applications： challenges and recommendations ［J］. Renewable and Sustainable Energy Reviews ， 2017 ， 78 ： 834 - 854 .

LI J F ， LYU C ， WANG L X ， et al . Remaining capacity estimation of Li-ion batteries based on temperature sample entropy and particle filter ［J］. Journal of Power Sources ， 2014 ， 268 ： 895 - 903 .

NG M F ， ZHAO J ， YAN Q Y ， et al . Predicting the state of charge and health of batteries using data-driven machine learning ［J］. Nature Machine Intelligence ， 2020 ， 2 （ 3 ）： 161 - 170 .

刘月峰 ， 张公 ， 张晨荣 ， 等 . 锂离子电池RUL预测方法综述 ［J］. 计算机工程 ， 2020 ， 46 （ 4 ）： 11 - 18 .

LIU Yuefeng ， ZHANG Gong ， ZHANG Chenrong ， et al . Review of RUL prediction method for lithium-ion batteries ［J］. Computer Engineering ， 2020 ， 46 （ 4 ）： 11 - 18 .

韩云飞 ， 谢佳 ， 蔡涛 ， 等 . 基于自动编码器的锂离子电池状态评估方法 ［J］. 电力系统自动化 ， 2021 ， 45 （ 24 ）： 41 - 48 .

HAN Yunfei ， XIE Jia ， CAI Tao ， et al . Autoencoder-based state evaluation method for lithium-ion battery ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 24 ）： 41 - 48 .

李超然 ， 肖飞 ， 樊亚翔 ， 等 . 基于卷积神经网络的锂离子电池SOH估算 ［J］. 电工技术学报 ， 2020 ， 35 （ 19 ）： 4106 - 4119 .

LI Chaoran ， XIAO Fei ， FAN Yaxiang ， et al . An approach to lithium-ion battery SOH estimation based on convolutional neural network ［J］. Transactions of China Electrotechnical Society ， 2020 ， 35 （ 19 ）： 4106 - 4119 .

TAN Y D ， ZHAO G C . Transfer learning with long short-term memory network for state-of-health prediction of lithium-ion batteries ［J］. IEEE Transactions on Industrial Electronics ， 2020 ， 67 （ 10 ）： 8723 - 8731 .

YU Y ， HU C H ， SI X S ， et al . Averaged Bi-LSTM networks for RUL prognostics with non-life-cycle labeled dataset ［J］. Neurocomputing ， 2020 ， 402 ： 134 - 147 .

CINAR Y G ， MIRISAEE H ， GOSWAMI P ， et al . Period-aware content attention RNNs for time series forecasting with missing values ［J］. Neurocomputing ， 2018 ， 312 ： 177 - 186 .

CHEN J C ， CHEN T L ， LIU W J ， et al . Combining empirical mode decomposition and deep recurrent neural networks for predictive maintenance of lithium-ion battery ［J］. Advanced Engineering Informatics ， 2021 ， 50 ： 101405 .

梁海峰 ， 袁芃 ， 高亚静 . 基于CNN-Bi-LSTM网络的锂离子电池剩余使用寿命预测 ［J］. 电力自动化设备 ， 2021 ， 41 （ 10 ）： 213 - 219 .

LIANG Haifeng ， YUAN Peng ， GAO Yajing . Remaining useful life prediction of lithium-ion battery based on CNN-Bi-LSTM network ［J］. Electric Power Automation Equipment ， 2021 ， 41 （ 10 ）： 213 - 219 .

LINARDATOS P ， PAPASTEFANOPOULOS V ， KOTSIANTIS S . Explainable AI： a review of machine learning interpretability methods ［J］. Entropy ， 2020 ， 23 （ 1 ）： 18 .

纪守领 ， 李进锋 ， 杜天宇 ， 等 . 机器学习模型可解释性方法、应用与安全研究综述 ［J］. 计算机研究与发展 ， 2019 ， 56 （ 10 ）： 2071 - 2096 .

JI Shouling ， LI Jinfeng ， DU Tianyu ， et al . Survey on techniques， applications and security of machine learning interpretability ［J］. Journal of Computer Research and Development ， 2019 ， 56 （ 10 ）： 2071 - 2096 .

CARVALHO D V ， PEREIRA E M ， CARDOSO J S . Machine learning interpretability： a survey on methods and metrics ［J］. Electronics ， 2019 ， 8 （ 8 ）： 832 .

YANG C ， ZHANG H F ， JIANG B ， et al . Aspect-based sentiment analysis with alternating coattention networks ［J］. Information Processing & Management ， 2019 ， 56 （ 3 ）： 463 - 478 .

LUONG T ， PHAM H ， MANNING C D . Effective approaches to attention-based neural machine translation ［EB/OL］. ［ 2022-05-06 ］. https：//arxiv.org/abs/1508.04025v3 https://arxiv.org/abs/1508.04025v3 .

CHEN Z H ， WU M ， ZHAO R ， et al . Machine remaining useful life prediction via an attention-based deep learning approach ［J］. IEEE Transactions on Industrial Electronics ， 2021 ， 68 （ 3 ）： 2521 - 2531 .

崔宇 ， 侯慧娟 ， 胥明凯 ， 等 . 基于双重注意力机制的变压器油中溶解气体预测模型 ［J］. 中国电机工程学报 ， 2020 ， 40 （ 1 ）： 338 - 347 .

CUI Yu ， HOU Huijuan ， XU Mingkai ， et al . A prediction method for dissolved gas in power transformer oil based on dual-stage attention mechanism ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 1 ）： 338 - 347 .

MAMO T ， WANG F K . Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries ［J］. IEEE Access ， 2020 ， 8 ： 94140 - 94151 .

刘建伟 ， 刘俊文 ， 罗雄麟 . 深度学习中注意力机制研究进展 ［J］. 工程科学学报 ， 2021 ， 43 （ 11 ）： 1499 - 1511 .

LIU Jianwei ， LIU Junwen ， LUO Xionglin . Research progress in attention mechanism in deep learning ［J］. Chinese Journal of Engineering ， 2021 ， 43 （ 11 ）： 1499 - 1511 .

KHAN A ， SARFARAZ A . RNN-LSTM-GRU based language transformation ［J］. Soft Computing ， 2019 ， 23 （ 24 ）： 13007 - 13024 .

LIN C P ， CABRERA J ， YANG F F ， et al . Battery state of health modeling and remaining useful life prediction through time series model ［J］. Applied Energy ， 2020 ， 275 ： 115338 .

SUN S ， SUN J Z ， WANG Z L ， et al . Prediction of battery SOH by CNN-BiLSTM network fused with attention mechanism ［J］. Energies ， 2022 ， 15 （ 12 ）： 4428 .

PATIL M A ， TAGADE P ， HARIHARAN K S ， et al . A novel multistage support vector machine based approach for Li- ion battery remaining useful life estimation ［J］. Applied Energy ， 2015 ， 159 ： 285 - 297 .

WANG W ， XIA C H ， LIU C F ， et al . Study of double combination evaluation of urban comprehensive disaster risk ［J］. Natural Hazards ， 2020 ， 104 （ 2 ）： 1181 - 1209 .

LIU H Q ， WEI Z B ， HE W D ， et al . Thermal issues about Li-ion batteries and recent progress in battery thermal management systems： a review ［J］. Energy Conversion and Management ， 2017 ， 150 ： 304 - 330 .