1.一种基于动态贝叶斯网络的锂电池健康状况估计方法，其特征在于该方法的具体步骤是：步骤一：训练数据的获得，具体包括以下过程：（1）对B只同类型的具有不同使用时长和新旧程度的电池进行容量测试：对第i只电池，首先以0.4C的恒定电流对其进行充电至截止电压 后，进行恒压充电，待充电电流降至0.01C以下，便认为该电池已充满电，此时以1C的电流将该电池放电至其截止电压，记录放电时间 ，计算该电池的实际容量为 ，并计算实际容量Q与标称容量Qn的比率 ，其中i=1,2，……，B；

（2）将上述步骤（1）中的第i 只电池静置一个半小时，待电池稳定后，对电池以0.4C的电流进行恒流充电至其充电截止电压 ，每隔1分钟记录一次电池，其中第k 次的电压为；记录总的充电时间为 小时，计算第k次记录时电池的荷电状态为 ，其中k=1,2，…， ；

（3）对 和 分别进行离散化归档处理：将电池荷电状态从0%～100%分成M 档，第m 档的范围为 ,其中m=1,2,…,M，并根据的值将其归入相应的分档；将电池电压从 到 分成 档，第n 档的范围为，其中n=1,2,…，N，根据 的值将其归入相应的分档；

（4）根据 的值对上述步骤（1）中的电池进行C 类分类，当 时归为第0类， 时，归入第 类，定义电池的健康状况为，其中 ；并将其相应的 和 分档结果归入该类电池的训练数据；

（5）重复上述充放电过程至所有电池的实际容量均小于标称容量的80%，记录并归档所有的测量数据；

步骤二：依据上述每一类电池c 的训练数据，构建该类健康状况的动态贝叶斯网络模型，具体过程如下：（1）构建初始SOC概率分布向量，以均匀分布对任意电池的初始SOC进行建模，即认为电池的初始SOC0在M 档分档中均匀分布， , ；由此形成个初始概率，组成初始概率向量 ；

（2）计算SOC状态转移概率 ：

其中 表示任意前后两个采样时刻电池SOC分别处于第j档和第i档的概率，表示满足条件的所有样本个数；由此形成 个状态转移概率，组成状态转移矩阵 ，其中 ；

（3）计算混淆概率 ：

其中 表示在任意采样时刻SOC处于第j档而电压处于第i档的概率；由此形成 个状态转移概率，组成混淆概率矩阵 ；

（4）重复上述模型构建过程，直至所有C 类模型全部构建完毕；

步骤三：实时估算同类型电池的健康状况，具体过程如下：(1) 在电池恒流充电的过程中，每隔一分钟测量一次电池电压,这样 时刻后便可以得到一长度为 的电压观察序列 ，其对应的电压分档为(2)对第 类动态贝叶斯网络模型，利用前向算法，计算上述观察序列在该模型下的概率 ：(a)递归计算局部概率 ，其中 表示 时刻电池SOC处于第s档的概率；

时，利用初始概率向量和混淆概率矩阵计算局部概率: 时，利用 时刻的局部概率递推计算 时刻的局部概率： (b)观察序列的概率等于T 时刻所有局部概率之和： (3)选取上述步骤中 最大的类别 作为最终的健康状况类别，即，给出对应的健康状况： 。