1.一种基于误差校正的锂电池SOC和SOH联合估计方法，其特征在于，包括如下步骤：(1)采集锂电池充放电数据，利用KD树对所述锂电池充放电数据进行缺失值填补，建立第一数据集；

(2)建立锂电池SOC估计模型，利用所述第一数据集对锂电池SOC估计模型进行训练，利用训练好的锂电池SOC估计模型进行SOC估计，得到SOC估计值；

(3)利用OSELM模型对所述SOC估计值进行误差校正，得到最终SOC估计值；

(4)将所述最终SOC估计值与锂电池充放电数据组成第二数据集，建立基于PatchTST模型的锂电池SOH估计模型利用所述第二数据集对锂电池SOH估计模型进行训练，利用训练好的锂电池SOH估计模型进行SOH估计，得到最终SOH估计值；

步骤(3)包括如下步骤：

(3.1)建立SOC误差时间序列errorm＝Ovm‑Ypm，Ovm表示m时刻的SOC真实值，Ypm表示m时刻的SOC初始预测值；

(3.2)使用OSELM模型利用m时刻之前的数据对m时刻的errorm进行预测，得到SOC在m时刻误差预测结果；

final

(3.3)最终锂电池SOC估计值Ypm ＝Ypm+errorm；

步骤(4)中，利用改进的算数优化算法对所述锂电池SOH估计模型的超参数进行优化，所述改进的算术优化算法包括如下步骤：(4.1)采用精英反向学习策略进行种群初始化，计算并评估当前解的反向解，从当前解及其反向解中选取最优解的超参数值作为新一代个体；其计算方式如下：式中，i表示PatchTST模型超参数种群个体的横坐标，j表示PatchTST模型超参数种群个体的纵坐标， 表示为个体的反向解，G为在(0,1)上的动态系数， 为精英个体，θj和γj分别为上下与左右的动态边界；

(4.2)定义随机数r1，当r1＜MOA时进入步骤(4.3)，否则进入步骤(4.4)，其中MOA为数学函数加速器值；

(4.3)基于除法运算符和乘法运算符进行全局搜索；全局搜索的计算方式如下：式中， 为最佳PatchTST模型超参数个体纵坐标值，MOP为数学优化概率，ε为概率因子，uB为上限，lB为下限，μ＝0.499，r2为[0，1]之间的随机数；

(4.4)基于加法运算符和减法运算法进行局部开发；局部开发的计算方式如下：式中，r3为[0，1]之间的随机数；

(4.5)结束改进的算法优化过程。

2.根据权利要求1所述的基于误差校正的锂电池SOC和SOH联合估计方法，其特征在于，步骤(1)包括如下步骤：(1.1)将锂电池充放电数据在K维空间进行分割并构造KD树的节点；

(1.2)在KD树中查找每个节点的近邻节点；

通过遍历KD树中的每个节点，计算其正方形边界范围Eps；

从KD树的根节点开始查找其近邻节点，对于当前节点，比较KD树中的每一层对应维度上的值是否在当前节点的Eps内，如果在Eps内，则将节点之间距离小于Eps的节点加入当前节点的邻域集合内，若不在边界范围内则去子树中查找；

(1.3)在每个节点的所述邻域集合中，选择距离最近的节点进行缺失值填补。

3.根据权利要求2所述的基于误差校正的锂电池SOC和SOH联合估计方法，其特征在于，步骤(1.2)中，计算节点之间距离的方法为：dis(P1,P2)＝2×Eps×arcsin(sqrt(d))

2 2

d＝cos(α1)×cos(α2)×sin(ω)+sin(θ)θ＝(α2‑α1)÷2

ω＝(β2‑β1)÷2

式中，α1,β1分别为节点P1的横、纵坐标，α2,β2分别表示节点P2的横、纵坐标，dis(P1,P2)为P1,P2两节点之间的距离。

4.根据权利要求1所述的基于误差校正的锂电池SOC和SOH联合估计方法，其特征在于，步骤(2)包括如下步骤：(2.1)设置基于高斯过程的先验分布，初始化卡尔曼模型的状态估计和状态协方差矩阵；

(2.2)根据当前采样时间锂电池的状态估计和卡尔曼模型，预测下一时刻锂电池的荷电状态，求解预测状态的均值和方差；

(2.3)利用预测状态的均值和方差、下一采样时间锂电池充放电数据及其协方差矩阵，更新所述状态估计和状态协方差矩阵，更新后的所述状态估计和状态协方差矩阵为后验分布；

(2.4)根据后验分布的方差计算锂电池SOC估计的置信度；

(2.5)重复步骤(2.2)～(2.4)，以锂电池SOC估计模型直至误差收敛，输出锂电池SOC估计值。

5.一种基于误差校正的锂电池SOC和SOH联合估计系统，其特征在于，包括：数据采集单元，用于采集锂电池充放电数据，利用KD树对所述锂电池充放电数据进行缺失值填补，建立第一数据集；

SOC预估计单元，用于建立锂电池SOC估计模型，利用所述第一数据集对锂电池SOC估计模型进行训练，利用训练好的锂电池SOC估计模型进行SOC估计，得到SOC估计值；

SOC估计单元，用于利用OSELM模型对所述SOC估计值进行误差校正，得到最终SOC估计值；包括如下步骤：(1‑1)建立SOC误差时间序列errorm＝Ovm‑Ypm，Ovm表示m时刻的SOC真实值，Ypm表示m时刻的SOC初始预测值；

(1‑2)使用OSELM模型利用m时刻之前的数据对m时刻的errorm进行预测，得到SOC在m时刻误差预测结果；

final

(1‑3)最终锂电池SOC估计值Ypm ＝Ypm+errorm；

SOH估计单元，用于将所述最终SOC估计值与锂电池充放电数据组成第二数据集，建立基于PatchTST模型的锂电池SOH估计模型利用所述第二数据集对锂电池SOH估计模型进行训练，利用训练好的锂电池SOH估计模型进行SOH估计，得到最终SOH估计值；

利用改进的算数优化算法对所述锂电池SOH估计模型的超参数进行优化，所述改进的算术优化算法包括如下步骤：(2‑1)采用精英反向学习策略进行种群初始化，计算并评估当前解的反向解，从当前解及其反向解中选取最优解的超参数值作为新一代个体；其计算方式如下：式中，i表示PatchTST模型超参数种群个体的横坐标，j表示PatchTST模型超参数种群个体的纵坐标， 表示为个体的反向解，G为在(0,1)上的动态系数， 为精英个体，θj和γj分别为上下与左右的动态边界；

(2‑2)定义随机数r1，当r1＜MOA时进入步骤(2‑3)，否则进入步骤(2‑4)，其中MOA为数学函数加速器值；

(2‑3)基于除法运算符和乘法运算符进行全局搜索；全局搜索的计算方式如下：式中， 为最佳PatchTST模型超参数个体纵坐标值，MOP为数学优化概率，ε为概率因子，uB为上限，lB为下限，μ＝0.499，r2为[0，1]之间的随机数；

(2‑4)基于加法运算符和减法运算法进行局部开发；局部开发的计算方式如下：式中，r3为[0，1]之间的随机数；

(2‑5)结束改进的算法优化过程。

6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1‑4任一项所述的基于误差校正的锂电池SOC和SOH联合估计方法。

7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1‑4任一项所述的基于误差校正的锂电池SOC和SOH联合估计方法。