1.一种基于DICEEMDAN与混合深度学习的储能锂电池寿命预测方法，其特征在于，所述方法包括以下步骤：S1，获取储能锂电池历史充放电循环的容量数据，数据中存在容量再生和全局非线性特征，使用双改进自适应噪声完备集合经验模态分解DICEEMDAN对数据进行降噪重构处理，得到多个特征子序列；

S2，针对分解后不同频率的子序列存在的不同特征，使用改进的双向时序卷积网络对高频序列进行特征提取，把提取到的特征数据和原始序列中的低频数据重新组合，作为混合深度神经网络的输入数据；

S3，建立差异化的混合神经网络，对于高频子序列，采用双向长短期记忆网络进行预测；对于相对低频的子序列，采用长短期记忆网络进行预测，通过一种优化权重的整合方法，得到最后的预测结果。

2.如权利要求1所述的基于DICEEMDAN与混合深度学习的储能锂电池寿命预测方法，其特征在于，所述步骤S1中，采用双改进自适应噪声完备集合经验模态分解DICEEMDAN对数据进行降噪重构处理，得到多个特征子序列，包括以下子步骤：S1‑1，获取储能锂电池的容量数据，对数据使用自适应噪声完备集合经验模态分解，得M到第一个分解后的模态分量IMF1(t)之后，采用经验小波变换，分解为M个子带分量{cj(t)}j=1和残差r(t)：(1)；

S1‑2，对子带分量进行能量归一化，N表示每个子带分量数据的总个数：(2)；

得到重构的高频分量：

(3)；

S1‑3，经过自适应噪声完备集合经验模态分解后得到的一阶残差e1(t)，构造序列e(t)= e1 (t)+ ε1E2(ni)，使用经验模态分解算法EMD对其分解，计算局部均值，将局部均值的平均值作为第二阶残差e2(t)：(4)；

式中，E2(·)为使用EMD分解得到的第二个模态分量的算子，ε1为求解第二个模态分量时的期望信噪比取原始信号标准差的0.2倍，ni为添加的第i个高斯白噪声，M(⋅)表示分解信号后的局部均值，m为添加的次数，得到第二个IMF分量IMF2：(5)；

S1‑4，重复采用上述步骤S1‑3相同的方式，分解出第k个IMF分量IMFk：(6)；

式中，ek‑1(t)表示第k‑1阶残差，ek(t)表示第k阶残差，Ek(·)为使用EMD分解得到的第k个模态分量的算子，εk‑2为求解第k‑1个模态分量时的期望信噪比，εk‑1为求解第k个模态分量时的期望信噪比，k=3,4,…,K；

最终，锂电池的容量数据x(t)被分解为：

(7)；

式中，K表示自适应噪声完备集合经验模态分解的最终次数，IMFk表示能够分解出的第k个模态分量，eK(t)表示最终分解剩余的趋势分量。

3.如权利要求1或2所述的基于DICEEMDAN与混合深度学习的储能锂电池寿命预测方法，其特征在于，所述步骤S2包括以下子步骤：S2‑1，在时序卷积网络TCN输入数据的基础上再次加入输入数据，形成首尾相连的一列数据，为了扩大卷积核的感受野，提取更多的序列特征，网络在每一层引入了以二的倍数递增的扩张因子，并采用扩张因果卷积对扩展序列进行特征提取，从而有效保留时间序列的前后因果关系；

S2‑2，为了保证每次卷积层输出的序列长度和原始的序列长度一致，提出在每个序列的首尾添加零填充项，填充的个数为p，每层的输出为y(t)，二者的数学表达式为：(8)；

式中，f(i)是卷积核，x(t‑i*d)是输入序列的第(t‑i*d)个数值，t是输入数据的元素索引，i是卷积核元素索引，k是卷积核大小，d是扩张因子；

S2‑3. 随着感受野的不断扩大，为缓解梯度消失和梯度爆炸的问题，在网络中加入残差块，在层与层的连接中加入两个卷积和一个残差操作。

4.如权利要求3所述的基于DICEEMDAN与混合深度学习的储能锂电池寿命预测方法，其特征在于，所述步骤S3中，建立差异化的混合神经网络，提出一种优化权重的整合方法，得到最后的预测结果，包括以下子步骤：S3‑1，根据分解算法对训练数据集分解后数据的不同频率特征，划分不同批次，使用不同的深度神经网络进行预测；

S3‑2，对于频谱高于采样频率三分之一的模态分量记为高频率数据，采用双向长短期记忆网络BiLSTM，在传统单向长短期记忆网络LSTM的基础上增加了反向传播路径，从而能够同时提取时间序列的正向和反向特征，BiLSTM中各个门的输出计算公式如下所示：(9)；

d d

式中，it 表示方向d上t时刻输入门的输出，ft 表示方向d上t时刻遗忘门的输出， 表d d示方向d上t时刻候选记忆门的输出，ct 表示方向d上t时刻记忆门的输出，ot 表示方向d上td时刻输出门的输出，ht 表示方向d上t时刻的隐藏状态，d表示数据传输的方向，前向或后向；

d d

xt是时间步t的输入量，ht±1表示方向d上t±1时刻的隐藏状态，ct±1 是方向d上t±1时刻的d d d记忆单元状态，wxi 是方向d上输入门的权重矩阵，wxf 是方向d上遗忘门的权重矩阵，wxc 是d d方向d上候选记忆门的权重矩阵，wxo 是方向d上输出门的权重矩阵，bi 是方向d上输入门的d d d偏置项，bf 是方向d上遗忘门的偏置项，bc 是方向d上候选记忆门的偏置项，bo 是方向d上输出门的偏置项，⊙是Hadamard积，σ为sigmod函数，tanh为双曲正切函数，公式分别为：(10)；

(11)；

对于除去高频数据以外的数据，采用传统的LSTM网络进行预测；

S3‑3，最终，根据子序列在原始序列中的占比，对不同网络预测后的结果使用占比权重的方式组合，组合的公式如下所示：(12)；

(13)；

t t

式中，wi 为第i个模态分量在第t次循环的权重，IMFi 为第i个模态分量在第t次循环的t容量值，x 为第t次循环锂电池容量值，n为测试循环次数，RUL为锂电池的剩余使用寿命；

S3‑4，模型采用的评价指标为平均绝对百分比误差MAPE、均方根误差RMSE、平均绝对误差MAE和绝对误差AE，计算公式为：(14)；

(15)；

(16)；

(17)；

式中， 表示预测值，yi表示实际值， n表示预测的循环次数，RULre表示实际达到使用阈值前的循环次数， RULpr表示预测达到使用阈值时的循环次数。