1.基于元宇宙的锂电池剩余寿命预测方法，其特征在于，包括：

步骤(1)获取锂电池的历史电流、电压、温度、充放电循环次数、循环容量、循环时间多种运行状态数据，电化学成分和材料以及湿度和氧化程度以全面充分考虑影响电池寿命的变量；

步骤(2)基于元宇宙构建数据空间平台，根据获取数据模拟出更多不同使用情况和场景下的锂电池运行数据，并整合成数据集；

步骤(3)利用动态模态分解DMD将上述数据集分解成一系列动态模态，以提取原始数据更多的细部和隐含特征及信息；

步骤(4)采用最大信息系数MIC对分解后的动态模态进行特征提取，提取出与锂电池剩余寿命相关性较高的特征数据并分为训练集和测试集；

步骤(5)将训练集数据输入到非平稳Transformer预测模型中，进行训练；

步骤(6)将DMD、MIC和非平稳Transformer预测模型的关键参数组合在同一优化框架中，即对三个部分的关键参数进行编码；

步骤(7)将步骤(6)所述关键参数编码进淘金优化算法GRO的每个金矿勘探者个体位置向量中，通过解码最优解即最佳金矿位置，得到最优关键参数，实现对DMD、MIC和非平稳Transformer预测模型的关键参数的同步优化；

步骤(8)输入测试集数据到训练好的预测模型中完成锂电池剩余寿命的预测。

2.根据权利要求1所述的基于元宇宙的锂电池剩余寿命预测方法，其特征在于，所述步骤(2)基于元宇宙构建数据空间，并根据获取数据模拟出不同使用情况和场景下的锂电池数据，具体为：基于元宇宙构建一种锂电池实时运行状态数据空间平台，根据所述步骤(1)获取的锂电池数据，采取扩充和数据增强方法即通过调整模拟参数、添加噪声和引入随机变化的方式，模拟出更多不同类型和规格及不同使用情况的锂电池运行状态数据，包括对锂电池在不同的温度、负荷和充电情况下进行数据模拟，再将所有获取的数据和模拟数据整合成数据集，以供预测解决样本不足导致的预测精度不可靠问题。

3.根据权利要求1所述的基于元宇宙的锂电池剩余寿命预测方法，其特征在于，所述步骤(4)中采用最大信息系数MIC对分解后的动态模态进行特征提取，具体为：以锂电池的剩余寿命为目标变量，将各个模态离散在二维空间中，并在二维空间的x和y空间方向上分别划分出一定的方格数，形成网格，计算两个随机模态在网格中的联合概率分布和边缘概率分布，得到两个随机模态之间的最大互信息值，最大互信息值的计算式如下：式中，p(X,Y)表示模态X和模态Y的联合概率分布函数；p(X)和p(Y)分别是模态X和模态Y的边缘概率分布函数；

对最大互信息值进行归一化处理，通过对不同尺度下最大互信息值的计算和比较，选择其中的最大值作为最大信息系数MIC，归一化表达式如下：式中，c和d分别是在x和y方向上划分的格子数；E为变量；

计算各个模态之间的最大信息系数MIC，选择与锂电池剩余寿命相关性较高的MIC作为特征数据，用于非平稳Transformer预测模型的输入。

4.根据权利要求1所述的基于元宇宙的锂电池剩余寿命预测方法，其特征在于，所述步骤(5)将训练集数据输入到非平稳Transformer预测模型中进行训练，具体包括：所述非平稳Transformer模型包括序列平稳化模块和去平稳化注意力模块；

所述序列平稳化模块用于增强输入数据的平稳性，将MIC筛选的特征数据作为训练集，对其进行时间维度上的归一化，以消除各个数据之间的尺度差异；输入模型，再对输出的数据进行反向尺度变换，实现反归一化，恢复归一化时丢失的分布信息，从而从模型外部还原了输入数据的部分非平稳性；

所述去平稳化注意力模块用于将非平稳化信息整合到模型内部，缓解过平稳化问题，通过在模块中采用多层感知机MLP，自适应地学习去平稳化因子，从而将非平稳化信息传递到模型内部，从而更好地捕捉锂电池训练集数据中的非平稳特征；

将MIC筛选的特征数据作为训练集输入到非平稳Transformer模型中进行训练。

5.根据权利要求1所述的基于元宇宙的锂电池剩余寿命预测方法，其特征在于，所述步骤(6)将DMD、MIC和非平稳Transformer预测模型的关键参数组合在同一优化框架中，即对三个部分的关键参数进行编码，具体为：将DMD、MIC和非平稳Transformer预测模型的关键参数作为淘金优化算法GRO的每个金矿勘探者个体位置，其中DMD的关键参数包括U，Σ，V三个奇异参数；MIC的关键参数包括在二维空间的x和y空间方向上划分的格子数c和d；非平稳Transformer预测模型的关键参数包括注意力头数α、隐藏层维度β和学习率γ，将这8个关键参数进行编码处理，即统一关键参数表征形式，在各自参数变化空间内生成满足条件的参数集合，有利于优化算法从锂电池寿命预测整体精度出发更高效的搜索并得到提升模型整体性能的参数最优解。

6.根据权利要求5所述的基于元宇宙的锂电池剩余寿命预测方法，其特征在于，所述步骤(7)将步骤(6)中所述关键参数编码进淘金优化算法GRO的每个金矿勘探者个体位置向量中，通过解码最优解即最佳金矿位置，得到最优关键参数，实现对DMD、MIC和非平稳Transformer预测模型的关键参数的同步优化，具体包括：将DMD的U，Σ，V三个关键参数、MIC的在二维空间的x和y空间方向上划分的格子数c和d两个关键参数和非平稳Transformer预测模型的注意力头数α、隐藏层维度β和学习率γ三个关键参数同时编码进淘金优化算法的每个金矿勘探者的个体位置向量，进行优化：首先，初始化每个金矿勘探者的位置向量，解码位置向量，将8个关键参数编码进位置向量，再组合成位置向量矩阵，然后，金矿勘探者向金矿迁移获取黄金，更新位置向量矩阵，其个体位置定义公式如下：Pnewi(t+1)＝Pi(t)+B1·D1

*

D1＝C1·P(t)‑Pi(t)

*

式中，P (t)表示最佳金矿的位置即8个关键参数；Pi(t)表示随机金矿勘探者i的位置；t表示当前迭代次数；Pnewi(t+1)表示金矿勘探者i的新位置；B1和C1为矢量系数，由如下公式求得：C1＝2r1

式中，l1为收敛分量；r1、r2为[0,1]之间的随机变量；

1)金矿开采：金矿勘探者在金矿区域进行开采，以获得更多黄金，金矿勘探者的位置更新公式如下：Pnewi(t+1)＝Pr(t)+B2·D2

D2＝Pi(t)‑Pr(t)

式中，Pnewi(t+1)表示金矿勘探者i的新位置即寻优后的8个关键参数；Pi(t)和Pr(t)表示随机金矿勘探者i和勘探者r的位置；t表示当前迭代次数；B2为矢量系数，其计算式如下：B2＝2l2r1‑l2

式中，l2为收敛分量；

2)金矿勘探者相互协作：由随机的两个勘探者g1和g2确定想要开采的金矿区域，再由第三位勘探者i在该区域随机寻找并确定开采位置，实现团队的相互协作开采，勘探者i的位置更新公式如下：Pnewi(t+1)＝Pi(t)+r1·D3

式中，Pnewi(t+1)表示勘探者i的新位置即寻优后的8个关键参数；Pi(t)、 和分别表示勘探者i，g1和g2的位置；

3)金矿勘探者迁移：勘探者为获取更多的黄金，而选择是留在原开采区域继续开采还是迁移至下个区域开采，其位置也会随之更新，更新公式如下：Pi(t+1)＝Pnewi(t+1)if f(Pnewi(t+1))＜f(Pi(t))每个勘探者在每次迭代中使用上述的一种行为进行位置更新，此过程一直持续到迭代结束，迭代中所找到的最佳金矿位置即为最优解，通过对最佳金矿位置进行解码获得最优的8个关键参数即DMD的U，Σ，V三个奇异参数，MIC的在二维空间的x和y空间方向上划分的格子数c和d和非平稳Transformer预测模型的注意力头数α、隐藏层维度β和学习率γ；

经过上述步骤，实现DMD、MIC和非平稳Transformer预测模型的关键参数的同步优化。

7.基于元宇宙的锂电池剩余寿命预测系统，其特征在于，包括：数据获取整合模块、数据预处理模块、特征提取模块和优化预测模块；

所述数据获取整合模块，用于采用传感器及监测设备获取锂电池的获取锂电池的历史电流、电压、温度、充放电循环次数、循环容量、循环时间多种运行状态数据，电化学成分和材料以及湿度和氧化程度，再与元宇宙模拟出的锂电池的多场景运行数据一起整合成数据集；

所述数据预处理模块，用于对数据获取整合模块的数据集进行动态模态分解处理；

所述特征提取模块，用于利用最大信息系数对模态分解后的数据进行特征提取，提取出与锂电池剩余寿命相关性较高的特征数据，并将其分成训练集和测试集输入优化预测模块；

所述优化预测模块，用于利用训练集的数据对非平稳Transformer预测模型进行训练，并采用淘金优化算法GRO对所述数据预处理模块、特征提取模块和预测模型的关键参数进行同步优化，最后将测试集数据输入训练好的模型中完成预测。