（1）将充放电曲线分析看作时间序列挖掘任务，提取基于shapelet的形状特征，放电电压曲线上变化显著子区间作为HIs，提出一种基于shapelet的锂离子电池SOH估计方法，分为离线处理阶段和在线估计阶段，基于shapelet的HIs有着从训练电池迁移到测试电池的扩展潜力。离线处理阶段，将放电电压曲线划分多个shapelet候选对象，结合锂离子电池SOH衰减规律重新定义shapelet度量标准，在众多候选对象找出shapelet。在线阶段，利用shapelet找出每次放电电压变化显著的子区间作为模型输入，采用 LSTM实现SOH估计。此外，本文通过多个锂离子电池数据验证了该方法具有良好的SOH估计性能，并探究不同固定大小𝑙的滑动窗口和不同的数据驱动模型对SOH估计结果的影响。
（2）针对目前数据驱动算法忽略HIs间的关联信息的问题，在有限的数据深入挖掘隐藏信息提高SOH估计精度，为了挖掘HIs间的关联信息，本文提出一种基于多健康指标的锂离子电池SOH估计方法，利用GraphSAGE模块实现挖掘HIs间的空间特征。将基于电压和温度提取的基于统计的HIs和基于形状的HIs相互连边，构建基于HIs的图结构，LSTM模块挖掘HIs随循环周期变化的时间特征，GraphSAGE挖掘HIs间相互联系的空间特征，更加深入地挖掘HIs的潜在信息，从而提高SOH估计精度。此外，本文利用多个锂离子电池数据验证所提出方法在SOH估计方面具有优秀的估计性能，并与基于shapelet的锂离子电池SOH估计方法进行综合分析，实验结果表明，基于图神经网络的锂离子电池SOH估计方法具有更好的估计结果。
参考文献（略）
