1.一种基于数据驱动的动力系统微分方程建模方法，其特征在于，包括：收集动力系统的时间序列数据，其中，时间序列数据包括实验测量数据、传感器数据和数值模拟结果；

利用数据驱动算法提取所述时间序列数据的动力学特征，并基于所述动力学特征对所述时间序列数据进行预处理，生成对应的序列预数据，其中，动力学特征包括所述动力系统的振荡频率、增长率和波动情况；

利用所述动力学特征计算所述动力系统的振荡系数，根据所述振荡系数与所述振荡系数阈值的比较结果选择微分方程形式，并确定对应的微分方程参数，构建所述动力系统对应的微分方程模型；

利用所述微分方程模型对所述序列预数据进行学习，生成预设时间内的仿真数据，并与所述预设时间对应的真实数据进行对比，生成所述微分方程模型的预测准确率，并将所述预测准确率与准确率阈值进行比较，根据比较结果判定是否对所述微分方程模型进行调整，其中，所述准确率阈值为所述微分方程模型的预测准确率的最低标准和所述动力系统的驱动性能有关。

2.根据权利要求1所述的基于数据驱动的动力系统微分方程建模方法，其特征在于，收集动力系统的时间序列数据的步骤包括：确定所述动力系统的测量变量和采样频率，其中，测量变量包括物理变量和状态变量；

按照所述采样频率对所述测量变量进行连续采样，获取所述时间序列数据；

将获取的时间序列数据存储到数据存储设备中。

3.根据权利要求2所述的基于数据驱动的动力系统微分方程建模方法，其特征在于，利用数据驱动算法提取动力学特征的步骤包括：采用数据驱动算法对所述时间序列数据进行分析，提取对应的特征向量；

将所述特征向量映射至无限维线性空间；

利用线性代数工具分析所述特征向量，提取对应的动力学特征。

4.根据权利要求3所述的基于数据驱动的动力系统微分方程建模方法，其特征在于，基于动力学特征对时间序列数据进行预处理的步骤包括：基于所述动力学特征对所述时间序列数据进行标准化处理，并生成对应的序列预数据；其中，所述标准化处理为将所述时间序列数据按标准切割率进行分割；

所述标准切割率为所述微分方程模型能够识别的切割率，且对于单次学习，对应的标准切割率为单个切割率。

5.根据权利要求4所述的基于数据驱动的动力系统微分方程建模方法，其特征在于，计算动力系统的振荡系数的步骤包括：对所述动力学特征进行傅里叶变换，并将所述动力学特征转换为频域数据；

通过稀疏回归算法拟合所述频域数据，得到所述频域数据对应的动态图谱；

选取所述动态图谱的最高峰值，并将所述最高峰值作为振荡系数进行输出。

6.根据权利要求5所述的基于数据驱动的动力系统微分方程建模方法，其特征在于，当所述动力系统的振荡系数大于所述振荡系数阈值时，选择高阶微分方程，当所述动力系统的振荡系数小于所述振荡系数阈值时，选择线性微分方程。

7.根据权利要求6所述的基于数据驱动的动力系统微分方程建模方法，其特征在于，所述振荡系数阈值为用以判断所述动力系统振荡特性的临界值，与所述动力系统的驱动性能有关。

8.根据权利要求7所述的基于数据驱动的动力系统微分方程建模方法，其特征在于，微分方程模型对序列预数据进行学习的步骤包括：根据所述微分方程形式确定对应的微分方程参数，得到对应的微分方程模型：将所述预设时间和所述序列预数据输入所述微分方程模型；

通过数值求解方法计算所述微分方程模型在对应的预设时间时的输出结果，并将所述输出结果作为仿真数据进行输出。

9.根据权利要求8所述的基于数据驱动的动力系统微分方程建模方法，其特征在于，采集所述动力系统到达所述预设时间时的真实数据，并将所述真实数据和所述仿真数据进行对比，生成所述微分方程模型的预测准确率，并将所述预测准确率与所述准确率阈值进行比较，当所述预测准确率大于所述准确率阈值时，不对所述微分方程模型进行调整。

10.根据权利要求9所述的基于数据驱动的动力系统微分方程建模方法，其特征在于，当所述预测准确率小于所述准确率阈值时，利用梯度下降法对所述微分方程参数进行调整。