1.基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法，其特征在于，包括以下步骤：

（1）通过测量获取锂电池各个充放电周期的健康状况数据；

（2）对锂电池的容量测量数据进行集合经验模态分解去噪；

（3）计算锂电池失效的容量阈值；

（4）基于锂电池的容量去噪数据序列和充放电周期数据序列，应用粒子群算法优化生成稀疏系数多核相关向量机的稀疏系数；

（5）应用稀疏系数多核相关向量机预测锂电池的剩余寿命。

2.根据权利要求1所述的基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法，其特征在于，所述步骤（1）中，锂电池的健康状况数据是指锂电池的容量数据。

3.根据权利要求1或2所述的基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法，其特征在于，所述步骤（2）中，对锂电池的容量测量数据执行集合经验模态分解，生成数个本征模态函数和一个余量，通过相关系数法判断和原本数据相关的各个本征模态函数，组合生成接近原本数据的去噪数据。

4.根据权利要求3所述的基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法，其特征在于，所述步骤（3）中，锂电池失效的容量阈值是锂电池标称容量的65%-75%。

5.根据权利要求4所述的基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法，其特征在于，所述步骤（4）中，锂电池的容量去噪数据为H1, H2,…, Hn，其中n≥1，为测量的周期数，对应的容量去噪数据序列为[H1, H2,…, Hn]，锂电池的容量去噪数据的各个充放电周期依次为T1, T2,…, Tn，对应的充放电周期数据序列为[T1, T2,…, Tn]；稀疏系数多核相关向量机是指相关向量机的核函数是采用3个不同阶次的多项式核函数和10个不同宽度因子的高斯核函数的线性组合，这13个核函数的系数由粒子群算法优化生成，其中对预测贡献极小的核函数，其系数被粒子群算法清零，故称该相关向量机为稀疏系数多核相关向量机；其中，应用粒子群算法优化生成稀疏系数多核相关向量机的稀疏系数的过程为：（4.1）初始化粒子群算法参数，包括位置、速度、寻优范围和进化次数，其中将核函数的系数映射为粒子的多维位置；

（4.2）计算每一个粒子的适应度，根据适应度得出每一个粒子的个体最优位置和粒子群的全局最优位置；

（4.3）对每一个粒子进行速度与位置的更新；

（4.4）重复（4.2）和（4.3）直至最大进化次数，将全局最优位置的多维位置输出为核函数的系数；部分核函数对训练数据预测的贡献极小，其系数在粒子群算法优化生成过程中被清零，剩下的系数即为相关向量机核函数的稀疏系数。

6.根据权利要求5所述的基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法，其特征在于，所述步骤（5）中，剩余寿命是指锂电池发生失效前剩余的充放电周期数；应用稀疏系数多核相关向量机预测锂电池的剩余寿命的方法为：对Tn之后每个充放电周期的锂电池容量进行连续预测，找到第一次满足Hn+g≥Hthreshold且Hn+g+1

7.根据权利要求3所述的基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法，其特征在于，通过相关系数法判断和原本数据相关的各个本征模态函数，相关系数法计算的是各个本征模态函数和测量数据之间的相关系数，相关系数大于0.2的包括了弱相关、中等相关和强相关，相关系数低于0.2的为极弱相关或无相关性；本征模态函数若和原本数据相关，计算的本征模态函数和测量数据之间的相关系数需要大于0.2，即至少是弱相关。