1.一种锂电池循环寿命预测方法，其特征在于，包括以下步骤：

步骤1：采集锂电池循环寿命数据并对数据进行划分；对于充电过程的电压、电流、温度VIT数据，采用深度学习方法自动提取特征，利用递归图RP将充电过程中的一维VIT数据分别转化为三个二维矩阵，并将这些二维矩阵在深度方向拼接形成一个三维矩阵；

步骤2：分析放电过程的增量容量(Incremental Capacity,IC)曲线和放电容量Q‑V曲线，引入地球移动距离来计算电池在不同循环间的曲线变化情况，最终从曲线中提取关键放电特征并观察关键放电特征与电池循环寿命的相关性；

步骤3：对于充电部分数据的建模，搭建3D深度可分离卷积模型，将不同循环下的VIT三维矩阵拼接成四维矩阵，通过深度分离卷积和逐点卷积减小参数的计算量，并引入3D通道注意力模块来加强VIT通道之间的数据交互，以保证在不增加模型训练参数的情况下达到部分通道间的交互；

步骤4：对于放电部分数据的建模，搭建CBR层和MP层对数据进行卷积和池化操作；所述CBR层结构由卷积层、批归一化层和ReLU激活层构成；所述MP层结构由一个最大池化层和几个不同步幅的卷积层组成，其中最大池化层和步长为2的卷积层将通道数减半，并在拼接后保持输入输出通道数不变；

步骤5：将充电过程和放电过程模型输出的特征向量进行特征融合，并最终输出为锂电池循环寿命预测结果，最后进行消融实验以验证时间序列成像方法的有效性。

2.根据权利要求1所述的一种锂电池循环寿命预测方法，其特征在于，所述步骤1中对采集到的两个锂电池数据集进行划分并利用RP图提取充电过程的VIT数据特征，包括如下步骤：步骤1.1：在数据采集过程中去除问题电池后，将两个数据集分别按照一定比例划分为训练集、验证集和测试集；

步骤1.2：根据循环次数将两个数据集划分为多个区间，并将每个区间的训练数据、验证数据和测试数据按比例划分；

步骤1.3：将电池充电过程中的电压、电流和温度视为容量比的函数，这些数据由不同周期的一维数据组成；RP图作为一种时间序列成像方法，将不同充电周期之间的充电数据转换为多维图像，从而获得更完整的锂电池退化信息；

步骤1.4：RP图的计算原理如下：对于具有采样时间间隔Δt，长度为n的时间序列uk(k＝

1,2,...,n)，在嵌入维数m和延迟时间τ后重构该时间序列，重构表达式为xi＝(ui,ui+τ,...,ui+(m‑1)τ),i＝1,2,...,n‑(m‑1)τ，则重构空间中第i个和第j个数据点xi与xj之间的欧几里得距离sij表示为式(1)：sij＝||xi‑xj||,i,j＝1,2,...,n‑(m‑1)τ    (1)然后计算递归值R(i,j)：

R(i,j)＝H(εi‑sij),i,j＝1,2,...,n    (2)式中，εi为阈值，随i固定或改变，H(x)代表Heaviside函数；

步骤1.5：将电池充电过程中的一维时间序列数据通过RP图成像方法转化为二维电压、电流、温度RP‑VIT数据。

3.根据权利要求1所述的一种锂电池循环寿命预测方法，其特征在于，所述步骤2中对于电池放电过程的特征提取，其步骤包括：步骤2.1：根据增量容量(Incremental Capacity,IC)分析方法得到IC曲线特征，IC由下式(3)计算：式中，Q为当前状态下的电池容量，V为电压，I为放电电流，t为采样时间，IC为步进比电压dQ/dV，随着电压阶跃窗的移动，得到增量容量与电压之间的完整关系；

步骤2.2：根据放电电压在周期i与周期j之间的变化曲线，表示为ΔQi‑j(V)＝Qi(V)‑Qj(V)，其中，i和j都表示循环次数，其和的值相差越大，则曲线ΔQi‑j(V)越明显；

步骤2.3：引入地球移动距离EMD来测量相邻两个周期ΔQ(V)曲线之间的差值。

4.根据权利要求3所述的一种电池循环寿命预测方法，其特征在于，所述步骤2.3中地球移动距离EMD测量相邻两个周期ΔQ(V)曲线之间的差值，其计算步骤如下：步骤2.3.1：EMD距离的定义为从一个分布P转换到另一个分布Q的最小成本的估计；

步骤2.3.2：W(P,Q)表示两个概率分布之间的EMD，定义如下：W(P,Q)＝infγ∈Π(P,Q)E(x,y)～γ[||x‑y||]    (4)式中，inf表示取所有可能的联合概率分布Π(P,Q)的下确界，γ为联合分布，Π(P,Q)为P和Q的所有联合分布的集合，P和Q为相邻两个周期IC曲线的分布，||x‑y||为样本x与y间的距离，E(x,y)～γ[||x‑y||]为距离期望；

步骤2.3.3：距离期望的计算公式如下：

式中，i和j表示两个不同的周期，P(i,j)表示周期i和j的IC曲线的分布。

5.根据权利要求1所述的一种锂电池循环寿命预测方法，其特征在于，所述步骤3中搭建3D深度可分离卷积模型对充电部分数据建模，其步骤包括：步骤3.1：对于一个充电周期，利用RP成像方法将VIT数据转换为RP‑VIT数据，将不同循环下的多个VIT三维矩阵拼接成一个四维矩阵；

步骤3.2：利用三维卷积对得到的四维矩阵进行特征提取，其特征映射的计算公式为：式中，Wout×Hout×Cout和Win×Hin×Cin分别表示图像输出和输入时的宽度、高度和通道数，w×h×c表示卷积核的大小，s表示步幅，p表示填充值，k表示扫描次数，卷积过程中的参数个数为(w×h×c+1)×k；

步骤3.3：采用深度可分离三维卷积降低模型训练的难度，并减少卷积计算量，将每个充电周期的特征图分成一组，分别在组内进行卷积运算，组内的卷积核生成特征图；

步骤3.4：在深度卷积之后增加一个逐点卷积层，逐点卷积运算与常规卷积运算类似，其卷积核大小为1×1×n，其中n表示三维矩阵的深度方向，即第一个n循环的充电周期；逐点卷积计算将在深度方向上对前一步的图进行加权组合，生成新的特征图，并使用多个卷积核生成多个特征图；

步骤3.5：引入3D通道注意力(3D Channel Attention,3DCA)模块来学习这些特征，

3DCA模块根据输入数据与电池循环寿命的相关性，从特征图中突出显示与循环寿命相关的特定区域，并结合注意力层检测输入数据中不同通道特征的显著性；

步骤3.6：在3DCA层之后增加3D全局平均池化(3D Global Average Pooling,3DGAP)层；其中3DGAP就是3D下的平均池化。

6.根据权利要求5所述的一种锂电池循环寿命预测方法，其特征在于，所述步骤3.5中多通道三维卷积的通道注意力3DCA模块的具体计算过程如下：C

步骤3.5.1：首先，考虑到聚合特征y，y∈R，在充电过程中，通过以下公式来描述：ω＝σ(Wky)     (7)

式中Wk为k×C的参数矩阵，ω为权值，σ为激活函数；

步骤3.5.2：仅考虑每一个周期i下yi与其相邻节点k之间的相互作用来计算的权值ωi，则其权值改写为：式中 为相邻通道yi的集合k，所有通道共享相同的学习参数，通过一个具有k核大小的

1×1×1卷积核来实现，即：

ω＝σ(Convk(y))     (10)

式中Convk表示核大小为1的三维卷积；

步骤3.5.3：通道之间的交互程度通过改变k的大小来调整，内核k的大小由下式自适应地确定：式中，c表示通道数， 表示距离 最近的奇数距离，通过非线性

映射ψ，高维通道具有较长的距离相互作用，而低维通道具有较短的距离相互作用。

7.根据权利要求1所述的一种锂电池循环寿命预测方法，其特征在于，所述步骤5中将充电过程和放电过程模型输出的特征向量进行特征融合，并最终输出为锂电池循环寿命预测结果，具体实现步骤为：步骤5.1：通过全连接层将不同维度的特征转换为一维特征向量，并将其拼接，形成最终的新的特征矩阵；

步骤5.2：对电池循环寿命进行预测，将电池的窗口周期拆分为前n个充电周期nf和最近m个充电周期ml，从而完成电池的循环寿命预测，最后进行消融实验以验证时间序列成像方法的有效性。