本發(fā)明公開了一種基于生成對(duì)抗網(wǎng)絡(luò)的鋰電池健康狀態(tài)預(yù)測(cè)方法及系統(tǒng)，首先將基礎(chǔ)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果輸入到變分自編碼器，使得變分自編碼器的生成結(jié)果與基礎(chǔ)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果分布具有一定的相似度。通過(guò)計(jì)算基礎(chǔ)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與變分自編碼器生成結(jié)果相互之間的支持度，集成最優(yōu)預(yù)測(cè)結(jié)果作為鋰電池健康狀態(tài)綜合預(yù)測(cè)模型；根據(jù)鋰電池實(shí)際充電過(guò)程中的各項(xiàng)參數(shù)，運(yùn)用鋰電池健康狀態(tài)綜合預(yù)測(cè)模型，計(jì)算鋰電池的健康狀態(tài)。由于本發(fā)明使用少量基礎(chǔ)神經(jīng)網(wǎng)絡(luò)模型及變分自編碼器即可生成更多的基礎(chǔ)神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果，保證了集成學(xué)習(xí)過(guò)程中基學(xué)習(xí)器的多樣性，加快模型訓(xùn)練過(guò)程，并且能夠取得接近傳統(tǒng)集成學(xué)習(xí)方法的預(yù)測(cè)精度。