1.基于LSTM神经网络预测锂离子电池剩余使用寿命方法，其特征在于，包括以下步骤：步骤1，采用经验模态分解算法分解用于神经网络训练的电池循环充放电老化的容量衰减数据，提取其中的残差容量数据反应电池老化趋势，避免电池老化的容量再生现象对剩余使用寿命预测的影响；

步骤2，对提取的残差容量数据进行归一化，训练LSTM神经网络用于迭代预测每个循环电池容量，检测是否发生误差累积，若出现误差累积，采用Box‑Cox变换进行修正，比较锂离子电池容量预测值与电池寿命终止容量，获得锂离子电池剩余使用寿命。

2.根据权利要求1所述的基于LSTM神经网络预测锂离子电池剩余使用寿命方法，其特征在于，所述步骤1具体包括：

步骤1.1、获取用于神经网络训练的锂离子电池循环充放电老化的容量数据C(k)；

步骤1.2、找到步骤1.1获取的容量衰减数据C(k)的所有极大值和极小值点，并通过三次样条插值函数拟合，分别形成容量衰减数据的上包络线Cmax(k)和下包络线Cmin(k)，由此计算出上下包络线的均值曲线m(k)步骤1.3、从原容量衰减数据C(k)中剔除均值曲线m(k)h1(k)＝C(k)‑m(k)；

步骤1.4、验证步骤1.3得到的h1(k)是否满足两个条件：1、极值点的数目和过零点的数目必须相等或者最多相差1个；2、在任意点，h1(k)上包络线的局部最大值和下包络线的局部最小值之间的平均值等于0，如果不满足上述条件，说明h1(k)不是一个本征模函数(IMF)，将h1(k)作为新的序列数据重复步骤1.2和1.3，直至满足上述两个条件；如果h1(k)满足上述条件，则定义h1(k)为一个IMFc1(k)＝h1(k)；

步骤1.5、筛选出1个IMF之后，就将其从原始容量衰减数据中剔除，得到残差信号r1(k)＝C(k)‑c1(k)；

步骤1.6、将r1(k)作为新的序列数据重复上述步骤反复筛选剔除，直至得到残差信号r(k)成为单调函数，筛选结束，最终的残差信号r(k)即为所需要的残差容量数据。

3.根据权利要求2所述的基于LSTM神经网络预测锂离子电池剩余使用寿命方法，其特征在于，所述步骤2具体包括：

步骤2.1、对步骤1所获得的残差容量数据采用最大最小法进行归一化步骤2.2、对步骤2.1处理后的数据进行向量空间重构后用于训练LSTM神经网络；

步骤2.3、训练好的LSTM神经网络迭代预测电池容量，将得到的单步预测值加入网络输入序列中，继续预测；

步骤2.4、检测预测是否出现误差累积现象，如果出现，采用Box‑Cox变换将出现误差累积之前的容量数据与充放电循环次数进行变换，预测下一个循环的电池容量，将Box‑Cox变换预测的电池容量作为修正值加入到LSTM网络输入序列中，继续执行步骤2.3；

步骤2.5、当网络预测电池容量到达电池寿命终止容量，即可得到电池剩余使用寿命。