本申請涉及動力電池，并且更具體地，涉及動力電池中一種電池狀態確定方法和車輛。
背景技術：
1、動力電池的健康狀態（state?of?health，soh）是評估動力電池性能衰減程度的核心指標，對新能源汽車的續航里程估計、價值評估及安全預警具有重要意義。目前，soh預測方法多基于電池本身的電壓、電流、溫度等信號，通過建立電化學模型或數據驅動模型進行估算。
2、然而，這些方法大多依賴簡化或單一的測試工況數據構建模型，與車輛在實際使用中經歷的復雜多變行車、充電、靜置等混合工況差異顯著，導致模型在實際場景下的適應性和預測準確性不足。
3、因此，當前技術難以在真實復雜的車輛使用環境中，實現準確性較高的健康狀態預測。
技術實現思路
1、本申請實施例提供了一種電池狀態確定方法和車輛，能夠提高健康狀態預測的準確性，技術方案如下：
2、一方面，提供了一種電池狀態確定方法，所述方法包括：
3、確定車輛的動力電池在當前統計時段內的多個實時累積工況特征值，所述多個實時累積工況特征值對應于多個預設工況類別；
4、通過健康狀態預測模型對所述多個實時累積工況特征值進行狀態預測，得到所述動力電池的預測健康狀態下降量，所述健康狀態預測模型為基于歷史數據訓練的模型，所述歷史數據包括在動力電池的健康狀態每下降一個百分點區間內，所述多個預設工況類別分別對應的歷史累積工況特征值；
5、基于所述預測健康狀態下降量以及所述動力電池的基準健康狀態，確定所述動力電池的當前健康狀態。
6、一方面，提供了一種電池狀態確定裝置，所述裝置包括：
7、特征值確定模塊，用于確定車輛的動力電池在當前統計時段內的多個實時累積工況特征值，所述多個實時累積工況特征值對應于多個預設工況類別；
8、處理模塊，用于通過健康狀態預測模型對所述多個實時累積工況特征值進行狀態預測，得到所述動力電池的預測健康狀態下降量，所述健康狀態預測模型為基于歷史數據訓練的模型，所述歷史數據包括在動力電池的健康狀態每下降一個百分點區間內，所述多個預設工況類別分別對應的歷史累積工況特征值；
9、健康狀態確定模塊，用于基于所述預測健康狀態下降量以及所述動力電池的基準健康狀態，確定所述動力電池的當前健康狀態。
10、一方面，提供了一種車輛，所述車輛包括一個或多個處理器和一個或多個存儲器，所述一個或多個存儲器中存儲有至少一條程序代碼，所述程序代碼由所述一個或多個處理器加載并執行以實現所述電池狀態確定方法。
11、一方面，提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有至少一條程序代碼，所述程序代碼由處理器加載并執行以實現所述電池狀態確定方法。
1.一種電池狀態確定方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述確定車輛的動力電池在當前統計時段內的多個實時累積工況特征值，包括：
3.根據權利要求2所述的方法，其特征在于，所述基于所述原始運行數據，識別所述當前統計時段內發生的多個工況事件，包括：
4.根據權利要求2所述的方法，其特征在于，所述針對每一所述預設工況類別，基于被識別為屬于所述預設工況類別的各個工況事件以及所述原始運行數據中對應的運行數據片段，確定所述預設工況類別的實時累積工況特征值，包括：
5.根據權利要求1所述的方法，其特征在于，所述通過健康狀態預測模型對所述多個實時累積工況特征值進行狀態預測，得到所述動力電池的預測健康狀態下降量，包括：
6.根據權利要求5所述的方法，其特征在于，所述基于所述多個實時累積工況特征值，構造多個模型輸入項，包括：
7.根據權利要求1所述的方法，其特征在于，所述通過健康狀態預測模型對所述多個實時累積工況特征值進行狀態預測，得到所述動力電池的預測健康狀態下降量，包括：
8.根據權利要求1所述的方法，其特征在于，所述基于所述預測健康狀態下降量以及所述動力電池的基準健康狀態，確定所述動力電池的當前健康狀態，包括：
9.根據權利要求1所述的方法，其特征在于，所述健康狀態預測模型的構建方法包括：
10.根據權利要求9所述的方法，其特征在于，所述機器學習算法包括回歸分析算法，所述基于機器學習算法，對所述模型輸入特征與對應的動力電池的健康狀態下降量進行擬合，得到模型參數集合，包括：
11.一種車輛，其特征在于，所述車輛包括：