1.一种基于模型融合的锂电池荷电状态预测方法，其特征在于，包括以下步骤：(1)采集锂离子电池的电池初始数据，获取二阶Thevenin等效电路模型所需的训练集，并对其进行预处理：(2)建立锂电池二阶Thevenin等效电路模型，并将等效电路模型方程变换为包含锂电池的端电压、开路电压、电容和待求参数的可供计算机辨识的数学形式；

(3)基于改进的能量谷优化算法IEVO对二阶Thevenin等效电路模型进行参数辨识，得到优化后的锂电池二阶Thevenin等效电路模型，利用安时积分法计算得到锂电池的SOC预测数据；所述改进的能量谷优化算法IEVO为采用多内核学习方法对迭代过程中种群的位置进行局部多元搜索；采用混沌局部搜索策略，通过搜索每一个解决方案的附近区域，找到更优解；

(4)将预处理过的锂电池数据集输入到随机初始化参数后的CrossFormer深度学习模型中进行训练，得到训练完成的深度学习模型，从而得到锂电池SOC预测数据；

(5)将步骤(3)和步骤(4)得到的两种模型的SOC预测数据，通过熵权法进行数据融合，得到最终的锂电池荷电状态。

2.根据权利要求1所述的一种基于模型融合的锂电池荷电状态预测方法，其特征在于，步骤(1)所述电池初始数据包括锂电池的充放电数据、开路电压、锂电池温度、内阻、容量、工作电流以及分别对应的荷电状态指标。

3.根据权利要求1所述的一种基于模型融合的锂电池荷电状态预测方法，其特征在于，步骤(1)所述预处理是采用Savitzky‑Golay滤波器先对训练数据进行滤波处理后，再进行z‑score归一化。

4.根据权利要求1所述的一种基于模型融合的锂电池荷电状态预测方法，其特征在于，步骤(2)所述建立二阶Thevenin等效电路模型，等效电路模型状态空间方程如下面公式所示：UO＝UOC‑UP1‑UP2‑IR

式中，UP1和UP2分别为二阶Thevenin等效电路模型中两个RC回路的电压；RP1，RP2为电池的2个极化内阻；CP1，CP2为电池的两个极化电容；UOC代表开路电压；UO为端电压；R为电池内阻；I为电路中的总电流；RP1，RP2，CP1，CP2，UOC为待辨识参数。

5.根据权利要求1所述的一种基于模型融合的锂电池荷电状态预测方法，其特征在于，所述步骤(3)实现过程如下：将锂电池状态空间方程嵌入到能量谷优化算法EVO中，经过反复迭代，辨识出R1,R2,C1,C2等效电路参数；

进行初始化过程，将二阶Thevenin等效电路模型待求参数Xi假定为搜索空间中具有不同稳定等级的粒子：式中，n表示搜索空间中粒子的总数，d是所考虑问题的维度， 是确定第i个候选者初始位置的第j个决策变量， 和 分别表示第i个候选变量中j个变量的下界和上界，rand是在[0,1]范围内均匀分布的随机数；

加入混沌局部搜索策略利用混沌现象生成一组具有随机性和均匀性的初始解：其中， 表示使用混沌局部搜索策略在第t+1次迭代时生成的新解， 和 分别表示从优势群里中随机选择2个不同个体，Ct表示由第t次迭代的混沌映射生成的混沌值；

通过安时积分法获得SOC值：

其中U1(t)，U2(t)为锂电池电化学极化电压：

其中，C表示锂电池的电容，iL(t)为锂电池t时刻充放电时的工作电流，SOC(0)表示锂电池初始时刻的SOC1值。

6.根据权利要求1所述的一种基于模型融合的锂电池荷电状态预测方法，其特征在于，所述步骤(4)实现过程如下：对CrossFormer深度学习模型进行L2正则化优化：

其中，L(w)是加了L2正则化的损失函数，loss(w,x)是模型的原始损失函数，w是模型的权重向量， 是权重向量的L2范数的平方，λ是正则化参数，用于控制正则化的强度；

使用维度分段嵌入多元时间序列；分层编码器‑解码器结构在Crossformer深度学习模型中利用更大尺度的信息进行预测，将不同尺度的预测值相加，输出最终结果SOC2。

7.根据权利要求1所述的一种基于模型融合的锂电池荷电状态预测方法，其特征在于，所述步骤(5)实现过程如下：将各个指标进行去量纲化处理，进行数据标准化：两个数据集{SOC1,SOC2},其中SOCi＝* *{x1,x2,…,xn}，对各数据集标准化的值为{SOC1 ,SOC2},那么：求每个数据集的变异大小：

求每一个数据集的信息熵，根据信息熵的定义，一组数据的信息熵为：其中，Ei≥0，若pij＝0，定义Ei＝0；确定各指标的权重，根据信息熵的计算公式，计算出各个数据集的信息熵为E1,E2；

通过信息熵计算各指标的权重：

数据融合采用熵权法估计算法，如式：

式中，SOC为融合后最终锂电池荷电状态状态预测。

8.一种采用如权利要求1至7任一所述方法的装置，其特征在于，包括存储器和处理器，其中：存储器，用于存储能够在处理器上运行的计算机程序；

处理器，用于在运行所述计算机程序时，执行如权利要求1至7任一所述的基于模型融合的锂电池荷电状态预测方法的步骤。