1.一种面向嵌入式设备的锂电池使用寿命的预测方法，其特征在于，包括如下步骤：Step 1、对锂离子电池历史使用条件及循环次数下的电压、电流、时间、放电和充电容量数据进行收集，使用电压、电流和时间数据作为基础创建输入特征，从而建立预测特征数据集；

Step 2、对Step 1建立的预测特征数据集进行预处理；

Step 3、对预处理后的数据集中的数据重新划分为多个子集，形成电池剩余寿命时间序列数据集，并建立基于RALSTM模型的锂离子电池剩余使用寿命预测模型；

Step 4、对RALSTM模型的增量学习模块进行优化，基于参数重要性和模型参数的更新情况，计算权重巩固项；其中，基于参数重要性和模型参数的更新情况计算权重巩固项，步骤如下：Step 4‑1、利用Step 3建立好的RALSTM模型，在其损失函数中引入一个额外的权重巩固项，损失函数包括原始任务的相关损失和一个权重巩固项，公式为：式中，L(θ；x,y)是原始任务的损失，λ是正则化强度，Fi是Fisher信息矩阵中对应于参数*θi的元素，θi是当前模型参数，θi是参数在先前任务结束时的最优值；

Step 4‑2、Step 4‑1中的权重巩固项需要计算的Fisher信息矩阵，公式为：式中，p(y|x；θ)是给定输入x和参数θ下，模型输出y的概率， 是对数似然函数关于参数θi的偏导数， 表示了参数θi的对数似然函数偏导数的平方的期望值；

Step 4‑3、根据Step 4‑2计算Fisher信息矩阵的方法，在每个任务结束之后，进行信息矩阵的更新，公式为：式中，β是衰减系数，用于平衡旧的Fisher信息和新计算的Fisher信息， 是当前任务损失对参数的梯度， 表示梯度的平方，用于估计Fisher信息；

Step 4‑4、利用Step 4‑1计算的损失函数和Step 4‑2以及Step 4‑3计算的Fisher信息矩阵，在每次任务的迭代过程中，模型参数更新考虑当前任务损失梯度和由Fisher信息矩阵调节的权重巩固项，适应连续变化的增量学习任务；

Step 5、对Step 4中使用的在线权重巩固的正则化强度λ进行优化，使用贝叶斯Optuna框架对权重巩固项进行寻优和动态调整；

Step 6、对Optuna框架进行优化，提高寻优效率；对在线权重巩固使用到的信息矩阵Fisher进行优化，使用随机奇异值分解进行低秩分解；

Step 7、使用优先经验回放的方法对Step 4中的增量学习优化；

Step 8、使用知识蒸馏的方法对Step7的优先经验回放进行优化。

2.根据权利要求1所述的面向嵌入式设备的锂电池使用寿命的预测方法，其特征在于，所述Step1中锂离子电池历史使用条件及循环次数为在25摄氏度下循环超过1000次；建立预测特征数据集的过程如下：Step 1‑1、记录每个电池循环放电阶段的放电时间，计算电池放电周期中电压从3.6V降到3.4V所需的时间；在放电阶段，找出并记录每个循环中电压的最大值；遍历每个电池循环，选择充电阶段的数据，计算并记录最小电压；在充电阶段，计算从起始电压充至4.15V所需的时间；计算在充电阶段电流接近最大值且基本恒定的时间跨度，根据筛选的电流值范围计算时间差，作为恒定电流持续的时间；对于每个循环，计算整个充电阶段的总时间；

Step 1‑2、计算每个充放电循环的当前周期编号与最后一个周期编号的差，即为当前充放电循环的剩余使用寿命，添加其作为预测特征。

3.根据权利要求1所述的面向嵌入式设备的锂电池使用寿命的预测方法，其特征在于，所述Step 2中对数据集进行预处理的过程如下：Step 2‑1、利用Step 1建立的预测特征数据集绘制对应的箱线图，观察数据分布和可能存在的异常值，即那些明显偏离大多数数据点的数据，包括：测量误差、输入错误、设备故障情况下产生的数据；

Step 2‑2、将数据的第一和第三四分位数，分别记为Q1和Q3，使用分位函数计算四分位距IQR，其公式为：IQR＝Q3‑Q1；

使用四分位距的1.5倍设定异常值阈值的上、下界；上界和下界分别为lower_bound和upper_bound，根据上下界标定异常值，并从数据中删除，得到清洗后的数据，公式为：lower_bound＝Q1‑1.5*IQR

upper_bound＝Q3+1.5*IQR

Step 2‑3、计算Step 2‑2清洗后的数据的协方差矩阵，数据包含输入特征和预测的RUL特征，根据协方差矩阵绘制对应的热力图，协方差矩阵公式为：式中，Xi和Yi分别是第i个样本的变量X和Y的取值， 和 分别是变量X和Y的样本均值，n是样本数量；

Step 2‑4、利用Step 2‑2中预处理后的数据进行随机森林回归模型的训练，得到所有输入特征的重要性结果，通过观察每个特征对模型预测性能的贡献，结合步骤Step 2‑3得到的协方差热力图，剔除对预测目标贡献小的输入特征；

Step 2‑5、利用Step 2‑3和Step 2‑4对输入特征的筛选和剔除后得到的数据集，使用PCA方法对数据进主成分分析。

4.根据权利要求1所述的面向嵌入式设备的锂电池使用寿命的预测方法，其特征在于，所述Step 3中建立基于RALSTM模型的锂离子电池剩余使用寿命预测模型的过程如下：Step 3‑1、将步骤Step 2中预处理好的数据集按照设定的时间间隔分组成子数据，时间tn的整个数据集 是所有子数据集的集合：Step 3‑2、通过增量学习的方式修改LSTM网络，继而获得用于边缘设备的RALSTM网络模型，在分析过程中，某个时间分析过的数据集不会再被分析，将之前子数据集的必要信息转移到当前的子数据集，即单元状态、隐藏状态的最后值和用于计算成本函数的预测值转移到下一个子数据集，这些值一直持续到时间步tn，通过成本函数衡量RALSTM网络模型的性能，计算预测值和实际值的误差，使用均方根误差RMSE作为成本函数，公式为：式中，N是评估的数据点总数， 是模型在时间步i的预测值，yi是在时间步i的实际值；

Step 3‑3、Step 3‑2中的RALSTM网络模型包括两层LSTM层、一个双向LSTM层、全连接层和输出层，每个LSTM层后添加Dropout层用于减少过拟合，损失函数设置为均方根误差，同时使用了AdamW优化器进行训练，AdamW优化器应用的权重衰减公式如下：θt+1＝θt‑u·θt

式中，u是权重衰减系数，在梯度更新后进行额外进行权重衰减，θt表示在训练过程中，时间步t时刻的模型参数，θt+1是在时间步t+1时刻的模型参数，即在进行了一次更新后的新参数值；

Step 3‑4、利用Step 3‑2搭建好的RALSTM网络模型，使用增量学习的方法进行训练，按照Step 3‑1的数据集划分方法，划分为若干子数据集，每个子数据集的80％作为训练集，

20％作为测试集，建立子数据集的独立测试集便于后续训练中对已学知识的遗忘情况的验证。

5.根据权利要求1所述的面向嵌入式设备的锂电池使用寿命的预测方法，其特征在于，所述Step 5中使用贝叶斯Optuna框架对权重巩固项进行寻优和动态调整的步骤如下：Step 5‑1、利用Optuna框架构建一个概率模型p(f|λ,M)来近似目标函数f，其中，λ是正则化强度，M是观察到的目标函数值f，即为均方误差MSE，通过选择新的参数值进行评估，并返回一个用于优化的分数，最终找到一个目标函数的最小值；

Step 5‑2、利用高斯过程GP作为先验表示对目标函数的初试假设，高斯过程是定义在连续输入空间上的随机过程，定义为：f(x)～gp(m(x),k(x,x′))

式中，m(x)是均值函数，k(x,x′)是核函数，用于描述输入空间中点与点之间的相关性；

Step 5‑3、每次试验中，正则化强度λ的具体值用来构建和训练模型，然后计算模型在训练集上的均方误差MSE作为目标函数值，表示为：其中，y是真实的目标值， 是模型在正则化强度λ下的预测值；

Step 5‑4、利用Step 5‑3中新的观测数据来更新高斯过程的后验分布，更新过程中计算更新后验的均值和协方差，来反映新获得的知识，表示为：

2 ‑1

mnew(x)＝mold(x)+K(x,A)[K(A,A)+σI] (B‑mold(A))

2 ‑1

knew(x,x′)＝kold(x,x′)‑K(x,A)[K(A,A)+σI] K(A,x′)式中，mold(x)是在点x的先前估计的均值，A代表训练数据集中所有输入点的集合，B是2

训练数据集中对应于A的输出值，K是核函数计算得到的协方差矩阵，σ是噪声项；

Step 5‑5、利用期望改进EI作为采集函数来从更新后的后验分布中选择下一个评估点，公式为：式中，τ是到目前为止观测到的最低MSE，p(y|x,D)是在当前数据D下，给定正则化强度λ的预测分布；

Step 5‑6、将Step 5‑5的过程反复执行，反复迭代寻找使目标函数L(λ)最小化的正则化强度λ值，找到最佳的超参数配置。

6.根据权利要求1所述的面向嵌入式设备的锂电池使用寿命的预测方法，其特征在于，所述Step 6中对Optuna框架进行优化的步骤如下：Step 6‑1、利用中位数剪枝的方法提前结束对权重巩固项的正则化强度λ的寻优中表现不佳的试验，设L(t,i)为第i个试验在第t步的性能指标的测量，这里的性能指标为均方误差损失，在每个步骤t中，计算所有试验的L(t,i)的中位数，并且检查试验的结果是否满足剪枝条件，如果满足则提前终止试验i，反之，试验i继续到下一个步骤，表示为：M(t)＝median({L(t,j)|j∈Jt})

式中，Jt是在时间t完成测量的所有试验的集合，M(t)计算了在步骤t上，所有试验的性能指标的中位数；

L(t,i)>M(t)×(1+α)

式中，α是预设的容忍率，表示允许的性能下降百分比，上述公式表示剪枝的判断条件；

Step 6‑2、设置Optuna框架的超参数空间为1e3到5e4，1e3和5e4分别是采样范围的下限和上限，使用对数尺度，缩小寻优的范围；

Step 6‑3、利用study.optimize函数中的n_jobs参数来指定并行运行的线程数，设置n_jobs＝﹣1代表使用所有可用的处理器核心，同时，利用storage_url参数指定数据库并支持并行访问，确保不同线程之间试验结果的一致性和状态同步；

Step 6‑4、在未压缩的数据上计算Fisher信息矩阵F，利用随机奇异值分解SVD来近似F，得到以下式子：T

F≈UΣV

式中，U和V是正交矩阵，Σ是对角矩阵并且包含奇异值，其对角线上的元素为奇异值，所述奇异值代表数据在各主成分上的重要性。

7.根据权利要求1所述的面向嵌入式设备的锂电池使用寿命的预测方法，其特征在于，所述Step 7中使用优先经验回放的方法对Step 4中的增量学习优化的步骤如下：Step 7‑1、设定经验回放缓存的最大容量C；当缓存满时，通过计算模型预测误差的绝对值得到优先级，按照优先级最低的规则移除样本，以便添加新样本；

Step 7‑2、将缓存中的数据按照误差的绝对值划分为K区间，每个区间称为一个层，对于新加入的样本计算其优先级，优先级pi表示为：pi＝∣errori∣+∈

式中，∣errori∣为误差的绝对值，∈为常数；

Step 7‑3、利用Step 7‑2中的样本优先级计算，进一步对各层内的优先级规范化，对其进行衰减处理以调整长期未被训练的样本的优先级，表示为：pi(t)＝pi(t‑1)·δ

式中，δ是衰减因子，其取值范围是(0,1)；

Step 7‑4、利用Step 7‑3中各层的规范化优先级进行抽样，每个层的抽样概率P(i)表示为：其中，γ是优先级权重调整参数，Lk是划分的k层中所有样本的集合；

Step 7‑5、从经验回放缓存中按上述概率抽取样本，结合新数据进行模型训练，训练后，对所使用的样本重新计算优先级并更新，同时为了解决由非均匀抽样导致的偏差，计算重要性采样权重，公式为：其中，W是缓存的大小，μ用于调整权重的影响。

8.根据权利要求1所述的面向嵌入式设备的锂电池使用寿命的预测方法，其特征在于，所述Step 8中使用知识蒸馏的方法对Step7的优先经验回放进行优化为使用知识蒸馏的方法，对经验回放库中的数据进行预测，生成蒸馏标签，使新任务的模型学习蒸馏标签和实际的目标标签，其步骤包括：Step 8‑1、在每个新任务之前，在初始任务或旧任务上训练好一个模型，称之为教师模型；

Step 8‑2、利用Step 8‑1训练好的教师模型对存储在经验回放缓存中的数据进行预测，生成蒸馏标签，所述蒸馏标签代表教师模型对特定输入的响应，含有关于如何执行任务的隐含知识；

Step 8‑3、使用相同的输入数据，通过从Step8‑1中的教师模型中学习知识的模型，称之为学生模型，学生模型学习预测教师模型的输出即蒸馏标签，同时也学习真实的目标标签，训练的损失包括预测真实标签的损失和预测蒸馏标签的损失，表示为：L＝q·Ltrue(y,ys)+(1‑q)·Ldistill(yt,ys)式中，输入数据为xinput，真实标签为ytrue，yt是教师模型的输出即蒸馏输出，学生模型的输出为ys，Ltrue是学生模型预测真实标签的损失，Ldistill是学生模型预测蒸馏标签的损失，q为权衡参数，用来控制两种损失的相对重要性。