La precisión de la predicción de la capacidad de la batería de energía a bordo suele estar limitada debido a la excesiva dependencia de datos de laboratorio y al descuido de entornos de uso complejos. Para abordar este problema, se propone un modelo basado en Transformer, llamado PWT, que integra una estrategia de parcheo con descomposición wavelet. Al utilizar la extracción de características temporales a múltiples escalas y mecanismos de atención, el modelo mejora eficazmente la capacidad de modelado de degradación de la batería. Para abordar el desafío de la disponibilidad limitada de etiquetas de capacidad, se diseña un modelo de filtrado de Kalman difuso basado en la integración de amperios-hora, reduciendo el error relativo en la estimación de SOH al 0.906% y mejorando significativamente la precisión de las etiquetas. Además, se construye un mecanismo de puntuación del comportamiento de carga basado en funciones de membresía difusas y una matriz de características de interacción corriente-temperatura para mejorar la sensibilidad del modelo a los factores de degradación. Los resultados experimentales muestran que el método propuesto supera a LSTM, Transformer y PatchTST bajo diversas condiciones de funcionamiento del mundo real, logrando un RMSE de peor caso de 0.0226, MAPE de 0.0725 y R de 0.903, demostrando una mayor precisión, robustez y eficiencia computacional. En conclusión, el método propuesto presenta perspectivas prometedoras tanto en la investigación teórica como en las aplicaciones de ingeniería, proporcionando un enfoque novedoso y efectivo para la gestión de la salud de la batería de energía.