1.基于SAE‑CEEMDAN‑LSTM的锂离子电池剩余寿命预测方法，其特征在于，包括以下步骤：步骤1、将锂离子电池放电功率P、恒流充电时间Tc以及恒流充电阶段电池端的电压V作为预测锂离子电池RUL的HI，利用SAE构建融合HI，该方法通过自学习生成高阶抽象的复杂函数，自适应将复杂多维的HI转化成能集中表达电池剩余容量特征的融合HI；

步骤2、采用CEEMDAN对融合后的HI进行对尺度分解得到多组分量，并通过关联性分析，筛选出具有强相关性的若干组分量，以实现对不同数据都具有良好的泛化性为目标；

步骤3、利用训练好的LSTM模型对筛选出的具有强相关性的若干组分量进行锂离子电池RUL预测，最后将若干组预测结果进行累加以实现锂离子电池RUL的精准预测。

2.根据权利要求1所述的基于SAE‑CEEMDAN‑LSTM的锂离子电池剩余寿命预测方法，其特征在于，所述步骤1具体包括：步骤1.1、实验数据来源于美国航天局PCoE提供的公开数据集，选取其中一组在同样实验环境下采集的18650型号锂离子电池充放电数据，电池额定容量为2A·h；

通过公开的数据集获得锂离子电池放电功率P、恒流充电时间Tc以及恒流充电阶段电池端的电压V，并计算这三个锂离子电池HI与容量之间的Spearman相关系数；通过计算得出电池放电功率P、恒流充电时间Tc以及恒流充电阶段电池端的电压V与容量间相关系数较高的作为HI来间接反映锂离子电池RUL；

步骤1.2、将电池放电功率P、恒流充电时间Tc以及恒流充电阶段电池端的V电压作为HI；

步骤1.3、利用SAE的融合过程如下：以HI作为SAE网络结构的输入层数据，训练第一个AE，随即初始化AE的权值与偏置；通过第一个AE的编码器将间接HI解析并作为隐藏层的输(1) (1) (1)出，其具体数学过程如下：H＝f(w x+b )式中w 为当前所训练的AE结构中输入层到隐藏(1)层神经元的权值；x＝[x1,...,xk]对应融合前的HI，作为AE的输入数据；b 为AE结构中隐藏层到输出层神经元的偏置，H为隐藏层的输出；

(1) (1)

将H＝f(w x+b )作为解码器的输入，进行数据重构得到重构数据

(2)

式中 为AE的输出数据；w 为AE结构中隐藏层至输出层神经

(2)

元的权值，b 为AE结构中隐藏层到输出层神经元的偏置；其原始输入数据与重构数据会形成重构误差，重构误差表达式如下： 以重构误差最小为目标应用误差反向传播方法不断调整当前AE的权值与偏置以此完成第一层AE的训练；仅保留本次训练完成的AE编码部分，将隐藏层所得数据H作为下一个AE的输入层数据以同样方式继续训练下一个AE，最终完成下一个AE的训练；重复步骤1.3直至将SAE中的全部AE训练完成；

所述SAE由两个AE组成，将第一个AE的隐藏层输出作为第一层融合后的结果，随即将第一层融合后的结果作为第二个AE输入层的输入数据，并将第二层的隐藏层节点数设为1，最后输出为一个序列，即对应的融合后的HI；通过SAE提取出一个融合HI，验证融合后HI与容量的相关性系数优于单一HI的相关性系数。

3.根据权利要求1所述的基于SAE‑CEEMDAN‑LSTM的锂离子电池剩余寿命预测方法，其特征在于，所述步骤2具体包括：步骤2.1、记经SAE融合后的HI为H(t)，现将H(t)作为原始信号分解为k个IMF，每个IMF用IMFk表示；定义操作符Ek(*)为H(t)经EMD分解产生的第k个模态分量；

步骤2.2、对H(t)添加满足标准正态分布的高斯白噪声nk(t)，其表达式如下：Hk(t)＝H(t)+δink(t)，式中t为电池循环周期，Hk(t)为第k次添加了白噪声的原始信号，δi为第i个噪声和原始信号之间的信噪比；

步骤2.3、对Hk(t)信号使用EMD算法进行N次重复分解，通过均值计算得到第一个模态分量IMF1(t)，随即求出第一个余量信号R1(t)，其表达式如下：R1(t)＝H(t)‑IMF1(t)；

步骤2.4、求出第二个模态分量和余量，对信号R1(t)+δ1E1(nk(t))进行N次重复分解并求均值，得到的第二个模态分量IMF2(t)和第二个余量信号R2(t)的表达式如下：R2(t)＝R1(t)‑IMF2(t)；

步骤2.5、后续的模态分量和余量信号的计算方法，类比步骤2.4得到第k+1个模态分量IMFk+1(t)和第k+1个余量信号Rk+1(t)；

重复步骤2 .5，直到所得余量信号不能再分解，最终信号被分解为

对获得的若干组模态分量进行相关性分析，设定关联阈值CT＝max(IMFk)/K，用于选取相关系数大于CT的分量，得到相关性较大的若干组IMF(t)。

4.根据权利要求1所述的基于SAE‑CEEMDAN‑LSTM的锂离子电池剩余寿命预测方法，其特征在于，所述步骤3具体包括：步骤3.1、将分解后的若干组IMF(t)和一组R(t)信号分为一定比例的训练集和测试集，并分别代入训练好的LSTM模型中；

步骤3.2、对LSTM模型的预测结果进行累加，得到最终的锂离子电池寿命预测结果。