1.一种动力电池组SOH预测方法，其特征在于，包括以下步骤：

S1、基于车联网环境采集历史天气特征，基于BMS历史信息采集驾驶行为特征和常规型特征；

S2、基于预设标签和所述历史天气特征、所述驾驶行为特征和所述常规型特征，得到离散型特征和连续型特征，并对所述离散型特征进行独热编码得到第一数据，对所述连续型特征进行归一化处理得到第二数据；

S3、对所述第一数据和第二数据进行加噪处理得到第三数据，并对所述第三数据进行重构误差计算，得到重构误差值，若所述重构误差值大于预设重构误差阈值时，更新超参数并重新进行计算，若所述重构误差值小于所述预设重构误差阈值时，将所述第三数据进行位置编码并提取特征得到第四数据；

S4、对所述第四数据进行Transformer模型验证测试，得到测试误差值，若所述测试误差值大于预设测试误差阈值时，更新超参数并重新进行模型测试，若所述测试误差值小于所述预设测试误差阈值时，基于所述测试误差值得到模型测试结果，并基于所述模型测试结果得到最终预测结果。

2.根据权利要求1所述动力电池组SOH预测方法，其特征在于，所述预设标签为对电池组最大可用容量除以电池组额定容量后的自行回归处理的结果。

3.根据权利要求2所述动力电池组SOH预测方法，其特征在于，所述电池组最大可用容量Cmax，其计算公式如下：其中，Cmax为当前最大可用容量，SOC(t0)为放电起始时刻点池荷电状态，SOC(tk)为放电结束时刻电池荷电状态，I(t)为t时刻电池组电流，η为库伦效率。

4.一种动力电池组SOH预测系统，其特征在于，包括：数据预处理模块、SDAE模块和神经网络模块；

所述数据预处理模块用于采集历史天气特征、驾驶行为特征和常规型特征，并将所述历史天气特征、所述驾驶行为特征和所述常规型特征划分为离散型特征和连续型特征，对所述离散型特征进行独热编码得到第一数据，对所述连续型特征进行归一化处理得到第二数据；

所述SDAE模块与所述数据预处理模块连接，所述SDAE模块用于对所述第一数据和所述第二数据进行加噪处理，得到第三数据，并对所述第三数据进行重构误差计算；

所述神经网络模块与所述SDAE模块连接，所述神经网络模块用于对所述第三数据进行位置编码得到第四数据，基于所述第四数据进行模型测试，并得到最终预测结果；

所述神经网络模块包括位置编码器、M个Transformer神经网络装置和全连接器；

所述位置编码器用于对所述第三数据进行位置信息编码，得到第四数据；

所述Transformer神经网络装置用于基于所述第四数据学习映射关系并进行模型测试，得到测试误差值，若所述测试误差值大于预设测试误差阈值时，更新超参数并重新进行验证测试，若所述测试误差值小于所述预设测试误差阈值时，基于所述测试误差值得到模型测试结果；

所述全连接器用于基于所述模型测试结果输出预测结果。

5.根据权利要求4所述一种动力电池组SOH预测系统，其特征在于，所述数据预处理模块基于组合特征和预设标签将所述历史天气特征、所述驾驶行为特征和所述常规型特征进行划分。

6.根据权利要求4所述一种动力电池组SOH预测系统，其特征在于，所述SDAE模块包括N个降噪自编码器单元。

7.根据权利要求6所述一种动力电池组SOH预测系统，其特征在于，所述降噪自编码器单元包括加噪装置和编码器装置；

所述加噪装置用于对所述第一数据和所述第二数据进行加噪处理，得到第三数据；

所述编码器装置用于对所述第三数据进行重构误差计算，得到重构误差值，若所述重构误差值大于预设重构误差阈值时，更新超参数并重新进行计算，若所述重构误差值小于所述预设重构误差阈值时，输出第三数据。