1.基于特征提取与增强的电池健康状态估计方法，其特征在于，包括以下步骤：S1、对目标电池进行特征选择，选择与电池容量退化相关的特征，包括恒流充电时间、恒压充电时间、等时间间隔的电压变化、充电电压斜率和等电压差时间间隔，随后进行特征提取；

S2、对提取的特征中的等时间间隔的电压变化、充电电压斜率和等电压差时间间隔分别进行细化，形成若干个特征的集合；

S3、检测并筛选特征中的异常值，随后采用递归特征消除RFE结合交叉验证的方法对特征相关性进行排序；

S4、构建WGAN模型，并借助Wasserstein距离的优化以及梯度惩罚策略，实现生成器与判别器的稳定训练，完成特征增强；

S5、基于MVO‑BiLSTM建立特征与SOH的复杂关系模型，作为估计模型，基于增强后的特征，估计电池SOH。

2.根据权利要求1所述的基于特征提取与增强的电池健康状态估计方法，其特征在于：所述的S1中，特征提取的方法为，基于目标电池的充电电压曲线，提取恒流充电时间、恒压充电时间、等时间间隔的电压变化和充电电压斜率；基于时间提取等电压差时间间隔，等电压差时间间隔为在充电过程中，每隔设定的电压差测量电池的充电时间。

3.根据权利要求1所述的基于特征提取与增强的电池健康状态估计方法，其特征在于：所述的S2中，对提取的特征进行细化的方法为：

对于等时间间隔的电压变化，选择充电阶段经过固定时间后的电压增量作为特征进行细化；

对于等电压差时间间隔，采取细化电压区间的方法进行细化；

对于充电电压斜率，设定充电循环次数，达到充电循环次数时进行记录，获取电压斜率曲线，从电压斜率曲线中选取最大值点、最小值点、拐点及其对应的时间和电压值作为特征。

4.根据权利要求3所述的基于特征提取与增强的电池健康状态估计方法，其特征在于：对于等时间间隔的电压变化，选择3.8V起始经过1800s后的电压增量、3.85V起始经过1800s后的电压增量、3.9V起始经过1800s后的电压增量、3.95V起始经过后的1800s电压增量、

4.0V起始经过1800s后的电压增量作为等时间间隔的电压变化的细化特征；

对于等电压差时间间隔，分别选择3.7‑3.8V时间间隔、3.8‑3.9V时间间隔、3.9‑4.0V时间间隔、3.8‑4.0V时间间隔、4.0‑4.2V时间间隔作为特征；

对于充电电压斜率，充电循环次数设定为100。

5.根据权利要求1所述的基于特征提取与增强的电池健康状态估计方法，其特征在于：所述的S3中，特征筛选的具体过程为：

S31、异常值检测，利用3σ异常值检测方法，对细化后的所有特征的集合进行异常值的检测和筛出，表示为：（1）；

式中， 表示异常值；y为特征集合中的一个具体特征值；Data表示特征集合中所有的数据点； 表示特征集合的均值； 表示特征集合的标准差；q是一个常数，用于确定离群点的阈值；

S32、递归特征消除RFE是一种基于模型的特征选择方法，对于筛选后的特征，采用递归特征消除RFE，通过迭代的方式进行特征的排名和淘汰，直到达到预设的特征数量，迭代过程表示为：（2）；

式中， 表示特征集合； 表示移除不重要的特征之后的新特征集合； 表示使给定函数取得最小值的输入值；f是输入的特征；M是计算特征相对重要性的相关参数；

表示特征f在特征集合 和相关参数M中的重要性；

S33、在S32中引入交叉验证技术，通过k折交叉验证将特征集合分为k个互斥子集，在每一轮训练‑验证循环中，模型在k‑1个子集上训练，在剩余的一个子集上进行验证。

6.根据权利要求1所述的基于特征提取与增强的电池健康状态估计方法，其特征在于：所述的S4中，进行特征增强的具体过程为：

S41、定义WGAN的模型架构，包括生成器和判别器，生成器作为向量输入，并最终生成一个与真实特征集合相似的特征集合；判别器对样本进行分类，以判断每个样本是真实特征还是生成器产生的特征；

S42、定义损失函数，使用Wasserstein距离作为损失函数，其中生成器和判别器的损失函数分别为：（3）；

（4）；

式中， 是生成器的损失函数； 是判别器的损失函数； 是对 按照Pg计算期望值；Pg是生成器生成的数据分布； 是对x按照分布Pr计算期望值；Pr是真实数据分布；

是判别器D对生成的样本数据 的输出； 是判别器D对真实样本x的输出；

S43、模型训练，每次更新判别器的权重后，将其裁剪到[‑0.01,0.01]的固定区间以满足Lipschitz条件；

S44、新特征生成：训练完成后，使用训练好的生成器生成新的样本，即为增强后的特征。

7.根据权利要求6所述的基于特征提取与增强的电池健康状态估计方法，其特征在于：所述的S41中WGAN的模型架构中，输入维度设为100，生成器和判别器的隐藏层大小设为

128，学习率为0.00005，批次大小为64，训练轮数为100，每次更新生成器前判别器更新5次。

8.根据权利要求1所述的基于特征提取与增强的电池健康状态估计方法，其特征在于：所述的S5中，基于MVO‑BiLSTM建立特征与SOH的复杂关系模型的过程为：S51、数据准备，将增强后的特征划分为训练集和测试集，并归一化特征数据；

S52、模型导入，在python环境中，通过导入MVO和BiLSTM第三方库，建立MVO‑BiLSTM模型；

S53、BiLSTM模型定义，BiLSTM的双向传播公式表示为：（5）；

式中， 表示连接操作； 是BiLSTM在时间步t的最终输出； 是前向LSTM在时间步t的隐藏状态； 是后向LSTM在时间步t的隐藏状态；

S54、定义BiLSTM模型的超参数，包括隐藏层的单元数、学习率和批次大小；

S55、利用多元宇宙优化算法MVO实现BiLSTM模型内部参数的自配置，步骤为：S551、根据定义的定义BiLSTM模型的超参数，设定MVO的搜索范围；

S552、在设定好的搜索范围内初始化多元宇宙中的个体位置，每个个体的位置表示一组超参数组合；

S553、定义适应度函数，评估BiLSTM模型在训练集上的性能，使用均方误差作为适应度函数；

S554、判断更新后的个体适应度是否优于之前的适应度，若更新后的适应度值优于之前的适应度值，则更新个体的位置，否则保留个体更新前的位置。

9.根据权利要求8所述的基于特征提取与增强的电池健康状态估计方法，其特征在于：所述的S51中，归一化特征数据采用基于数据分布特性的自适应归一化公式，表示为：（6）；

式中，Znorm表示归一化后的特征值；z表示原始特征值；β是调节系数，用于控制归一化过程中数据分布的平滑度；

S54中，隐藏层的单元数为50，学习率为0.001，批次大小为32，并设置基于MVO的超参数自适应调整公式，表示为：（7）；

式中，表示θ表示超参数；θold、θnew分别为调整前、后的超参数；η是学习率；MSE表示均方误差； 表示θ的梯度。

10.基于特征提取与增强的电池健康状态估计系统，用于实现权利要求1‑9任一项所述的基于特征提取与增强的电池健康状态估计方法，其特征在于，包括特征提取模块、特征细化模块、特征筛选模块、特征增强模块和估计模型模块：特征提取模块，对目标电池进行特征选择，选择与电池容量退化相关的特征，包括恒流充电时间、恒压充电时间、等时间间隔的电压变化、充电电压斜率和等电压差时间间隔，随后进行特征提取；

特征细化模块，对提取的特征中的等时间间隔的电压变化、充电电压斜率和等电压差时间间隔分别进行细化，形成若干个特征的集合；

特征筛选模块，检测并筛选特征中的异常值，随后采用递归特征消除RFE结合交叉验证的方法对特征相关性进行排序；

特征增强模块，构建WGAN模型，并借助Wasserstein距离的优化以及梯度惩罚策略，实现生成器与判别器的稳定训练，完成特征增强；

估计模型模块，基于MVO‑BiLSTM建立特征与SOH的复杂关系模型，作为估计模型，基于增强后的特征，估计电池SOH。