1.基于融合特征的锂离子电池剩余使用寿命预测方法，其特征在于包括以下步骤：S1、在锂离子电池的全周期老化过程中，提取每轮充放电循环的恒流充电时间和恒压充电时间作为老化数据；

S2、从老化数据中提取出能够表示锂离子电池老化状态的健康因子，并对提取的健康因子进行预处理；

S3、采用基于过滤器和包装器相结合的融合方法，从预处理后的健康因子中筛选出实现锂离子电池RUL预测的最终预测特征；

S4、搭建BiGRU网络模型作为预测模型，采用鱼鹰优化算法OOA，在给定范围内对BiGRU网络模型的参数进行自动寻优，实现参数的自配置；

S5、基于优化后的BiGRU网络模型，对包含多健康因子的输入特征进行非线性老化趋势捕捉，输出模型预测值，并对预测值进行反归一化处理，得到最终的RUL预测值，实现电池RUL预测，其中包含多健康因子的输入特征即为S3中获取的最终预测特征；

所述的S2中，健康因子包括恒流充电时间、恒压充电时间以及基于锂离子电池恒流充电电压曲线提取的不同起始电压的等时间电压增量、不同电压变化区间的等电压上升时间、充电电压曲线斜率最低点斜率值、充电电压曲线斜率最低点时间和充电电压曲线斜率最低点电压值。

2.根据权利要求1所述的基于融合特征的锂离子电池剩余使用寿命预测方法，其特征在于：所述的S2中，预处理包括：采用3σ原则，将偏离均值超过3个标准差的数据点标记为异常值，删除该异常值对应循环次数的全部健康因子；

采用Savitzky‑Golay滤波器，通过调整滑动窗口长度和多项式阶数来适应不同健康因子的特点，对异常值处理后的健康因子进行平滑处理。

3.根据权利要求2所述的基于融合特征的锂离子电池剩余使用寿命预测方法，其特征在于：对于Savitzky‑Golay滤波器，定义自适应窗口调整公式为：窗口长度=基础窗口长度×(1+θ×信号频率)；

其中，θ是根据信号特性调整的系数。

4.根据权利要求1所述的基于融合特征的锂离子电池剩余使用寿命预测方法，其特征在于：所述的S3中，从预处理后的健康因子中筛选出实现锂离子电池RUL预测的最终预测特征的方法为：S31、采用基于过滤器方法的Pearson相关性分析，对预处理后的健康因子，进行关联度评估，计算出不同健康因子与电池老化状态之间的关联程度，根据Pearson相关系数的高低，选择出相关性最高的四个健康因子作为初步筛选后的特征，同时过滤掉其余健康因子；

S32、采用序列前向搜索方法，识别并获取不同健康因子组合的特征空间，找出最优的用于RUL预测的特征组合，即为实现锂离子电池RUL预测的最终预测特征。

5.根据权利要求4所述的基于融合特征的锂离子电池剩余使用寿命预测方法，其特征在于：将获得的用于RUL预测的特征组合按照充放电循环周期数平均分为两部分，前50%数据作为训练集，用于预测模型的搭建，后50%数据作为测试集，用于验证预测模型的准确性和鲁棒性。

6.根据权利要求1所述的基于融合特征的锂离子电池剩余使用寿命预测方法，其特征在于：所述的S4中，搭建BiGRU网络模型的方法为：S41、使用python语言，搭建tensorflow环境，建立BiGRU网络模型，BiGRU网络模型包括输入层、BiGRU层、Dropout层和输出层，其中BiGRU层和Dropout层均采用双层结构；

S42、将筛选出的最终预测特征归一化后，输入到BiGRU网络模型中，并设置BiGRU网络模型的参数；

S43、训练BiGRU网络模型，手动调整参数直到BiGRU网络模型达到设定的预测效果，训练过程中，采用Adam优化器来自动调整BiGRU网络模型的学习率，利用均方误差作为BiGRU网络模型反向传播的损失函数，在对BiGRU网络模型训练的过程中提供稳定的误差梯度；

S44、保存训练后的BiGRU网络模型；

S45、对于保存的BiGRU网络模型，基于鱼鹰优化算法OOA，在给定范围内对BiGRU网络模型的参数进行自动寻优，实现参数的自配置。

7.根据权利要求6所述的基于融合特征的锂离子电池剩余使用寿命预测方法，其特征在于：所述的S43中，引入基于模型预测误差变化的学习率调整机制来自动调整BiGRU网络模型的学习率，表示为：；

式中，ηt+1是调整后的学习率；ηt是当前时刻的学习率；MSEt是当前时刻的均方误差；

MSEt‑1是上一时刻的均方误差；α是调整速度的超参数；e是自然常数；

同时，引入基于时间序列特性的损失函数作为均方误差损失函数的补充，基于时间序列特性的损失函数Time_Dependent_Loss表示为：；

式中，yi是时间点i的实际值；yi+1是后一个时间点i+1的实际值； 是前一个时间点i‑1的预测值； 是时间点i的预测值；δ是调节系数，用于控制时间依赖性对总损失的贡献；

i表示时间点；n是时间点的数量；基于时间序列特性的损失函数考虑前一个时间点i‑1和后一个时间点i+1的值，从而捕捉时间序列的连续性和趋势；

并且，利用训练BiGRU网络模型过程中的训练集和验证集，动态调整Dropout层的Dropout率，表示为：；

式中， 是当前时刻的Dropout率； 是调整后的Dropout率；

是验证集上的均方误差； 是训练集上的均方误差；β是调整步长。

8.根据权利要求6所述的基于融合特征的锂离子电池剩余使用寿命预测方法，其特征在于：所述的S45中，采用OOA实现参数自配置的过程为：S451、根据S43中手动调整的参数结果，设定OOA的搜索范围；

S452、在设定好的搜索范围内初始化鱼鹰种群中个体的位置；

S453、以均方根误差作为适应度函数，计算每个个体的适应度值；

S454、根据鱼鹰捕食搜索策略更新个体位置，若更新后的位置超出边界则将位置停留在边界处；

S455、判断更新后的个体适应度是否小于更新前的个体适应度，若小于则更新个体的位置，否则保留个体更新前的位置；

S456、判断是否达到结束条件，若达到结束条件，则返回搜索到的最优参数组合配置到BiGRU网络模型中，否则进行下一轮的迭代搜索。

9.根据权利要求1所述的基于融合特征的锂离子电池剩余使用寿命预测方法，其特征在于：将优化后的BiGRU网络模型集成到电池管理系统BMS中，实现实时监控和预测。