1.一种锂离子电池健康状态和剩余寿命预测方法，其特征在于，包括以下步骤：步骤1：采集不同工况下锂离子电池单体充放电的电压、电流、温度和容量数据，运用KPCA核主成分分析的方式对原始数据进行主成分分析，消除冗余特征信息；

步骤2：获取经核主成分信息提取后的数据，对数据进行重新构建，形成电池健康状态数据集，建立基于时间卷积网络和Reformer模型的锂离子电池健康状态模型；使用时间卷积网络捕获锂电池充放电时局部时序特征，通过Reformer的局部哈希敏感注意力机制建立对局部时序特征与电池健康状态的全局依赖关系；

所述步骤2中建立基于时间卷积网络和Reformer模型的锂离子电池健康状态模型，包括如下步骤：步骤2.1：利用步骤1处理后的数据，建立电池健康状态数据集，并按照6：2：2的比例划分为训练集、验证集和测试集；

步骤2.2：对时间卷积网络和Reformer模型进行融合，通过因果卷积操作分层收集局部变量的特征，其公式为：其中F为滤波器，X为输入序列；

步骤2.3：对步骤2.2获得的特征进行池化运算，池化操作的公式为：其中，R是池大小，T是确定要移动的数据区域的距离的步长，小于输入大小y，l为卷积层层数；

步骤2.4：引入ReLU作为激活函数、权值归一化和Dropout操作，与步骤2.2和步骤2.3组合为一个残差块，利用n个残差块组成残差网络TCN；

步骤2.5：利用Reformer局部敏感哈希注意力机制，对残差网络输出的序列分为不同的哈希桶，根据哈希桶进行排序，进而得到注意力机制结果，聚合数据的全局属性；

步骤2.6：利用步骤2.1划分的训练集和验证集，对基于时间卷积网络和Reformer的融合模型进行训练，使用融合模型对测试集进行预测，得到电池健康状态预测结果；

步骤3：获取经核主成分信息提取后的数据，对数据进行重新构建，形成容量时间序列数据集，建立基于时间卷积网络和Reformer模型的锂离子电池剩余寿命预测模型；通过时间卷积网络提取容量序列的局部电池容量变化特征，将获得的特征输入到Reformer中建立全局容量变化联系；

所述步骤3中建立基于时间卷积网络和Reformer模型的锂离子电池剩余寿命预测模型，包括如下步骤：步骤3.1：利用步骤1处理后的数据，建立电池容量变化时间序列数据集，将容量数据除以电池标称容量得到电池健康状态时间序列，并将前60％数据划分为训练集，接下来中间

20％数据划分为验证集；

步骤3.2：执行步骤2.2至步骤2.5，对时间卷积网络和Reformer模型进行融合；

步骤3.3：利用步骤3.1中处理好的训练集和验证集，对融合模型进行训练，并使用步骤

2.6中得到的电池健康状态预测结果进行剩余寿命预测，得到电池剩余寿命预测结果；

步骤4：对蜜獾算法HBA进行改进，采用Logistic混沌映射方法对种群进行初始化，加速算法在迭代初期的搜索速度，并引入维度学习的方法增强间接层的信息交互，提高算法的全局搜索能力，得到IHBA算法；

所述步骤4中对蜜獾算法HBA进行改进，包括如下步骤：

步骤4.1：设置HBA算法的种群大小和迭代次数，以及搜索空间的上下限；

步骤4.2：采用Logistic混沌映射策略初始化算法的种群位置，改进后的公式如下所示：zk+1＝μzk(1‑zk)    (7)

其中，

步骤4.3：在挖掘模式阶段，蜜獾个体位置更新公式如下所示：式中，xprey是猎物的全局最优位置，β是蜜獾获取食物的能力，取大于等于1的数，di是猎物与第i只蜜獾之间的距离，r3、r4和r5是(0,1)三个不同的随机数，F是改变搜索方向的标志；

步骤4.4：在采蜜阶段，蜜獾个体位置更新公式如下所示：

xnew＝xprey+F×r7×w×di                   (9)式中，xprey是猎物的位置，xnew是蜜獾的新位置；

步骤4.5：引入维度学习搜索策略，首先计算出个体当前位置的邻域Ni(t)，其公式如下：Ni(t)＝xj(t)|Di(xi(t),xj(t))≤Radiusi(t),xj(t)∈N        (10)其中，Radiusi(t)表示半径，Di是当前解与替代解之间的欧式距离；

步骤4.6：计算维度学习位置xi‑DLH,j(t+1)，公式如下所示：xi‑DLH,j(t+1)＝xi,d(t)+rand×(xn,d(t)‑xr,d(t))          (11)其中xi,d(t)是步骤4.5得到的邻域Ni(t)中的随机个体位置，Xr,d(h)是个体矩阵内随机个体位置；

步骤4.7：通过加入维度学习的搜索策略，对蜜獾算法位置更新进行改进，改进后的位置更新公式如下：步骤5：利用IHBA算法对步骤2中的基于时间卷积网络和Reformer模型的锂离子电池健康状态模型的超参数进行优化，获得最优超参数，利用优化后的锂离子电池健康状态模型对电池健康状态进行预测，得到电池健康状态的预测结果；

步骤6：利用IHBA算法对步骤3中的基于时间卷积网络和Reformer模型的锂离子电池剩余寿命预测模型的超参数进行优化，获得最优超参数，利用步骤5中电池健康状态的预测结果，对电池剩余寿命进行预测，得到剩余寿命的预测结果。

2.根据权利要求1所述的一种锂离子电池健康状态和剩余寿命预测方法，其特征在于，所述步骤1运用KPCA核主成分分析的方式对原始数据进行主成分分析，包括如下步骤：步骤1.1：对原始数据进行线性变换，使数据映射到[0,1]的范围，实现对原始数据的等比缩放，其公式为：其中，xk为第k个随机变量， 为第k个变量的均值，sk为第k个变量的标准差；

步骤1.2：将样本点xi组成输入空间矩阵X，X中共有N个样本，用一个非线性映射φ将样本点x映射到高维空间 得到新的矩阵φ(X)；

K D

φ(x):R→R ,D＞＞K               (2)其中，K为样本点xi维度，D为高维空间 的维度；

步骤1.3：将步骤1.2中得到的φ(X)在 中进行PCA降维，求出特征空间 的协方差矩阵公式如下：其中 是D×D的矩阵；

步骤1.4：通过核函数计算矩阵K，然后计算其较大的特征值对应的特征向量α，进而得到相应的权重向量，并按照特征值占比大小依次降序排列，占比越大则表示越重要，按重要性顺序找到主成分：

3.根据权利要求1所述的一种锂离子电池健康状态和剩余寿命预测方法，其特征在于，利用IHBA算法对步骤2中的TCN‑Reformer模型的超参数进行优化，获得最优超参数，利用优化后的预测模型对电池健康状态进行预测，包括如下步骤：步骤5.1：初始化HBA算法的相关参数，包括种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数；

步骤5.2：计算经过融合模型训练的预测值Ypi和样本实际值Ovi间的均方根误差，将其作为HBA算法中每个个体的适应度值Fit：步骤5.3：根据挖掘模式策略和采蜜模式策略，计算出每个个体的位置，利用公式(13)算出每个个体的适应度值，并对其进行排序；

步骤5.4：利用维度学习策略重新对个体位置进行计算，使用公式(11)计算个体位置，并利用公式(13)计算个体适应度值，将其与步骤5.3得到的个体适应度值进行比较，选出最优适应度值对应的最优位置；

步骤5.5：判断是否达到最大迭代次数，若达到，则输出最优解，并从中提取出融合模型的超参数，否则返回步骤5.3；

步骤5.6：将步骤1中得到的测试集数据输入到优化后的融合模型中进行预测，得到最终的锂电池健康状态预测结果。

4.根据权利要求1所述的一种锂离子电池健康状态和剩余寿命预测方法，其特征在于，利用IHBA算法对步骤3中的TCN‑Reformer模型的超参数进行优化，获得最优超参数，利用优化后的预测模型对电池剩余寿命进行预测，包括如下步骤：步骤6.1：初始化HBA算法的相关参数，包括种群、维度、最大迭代次数、搜索空间的上下限和当前迭代次数；

步骤6.2：计算经过融合模型训练的预测值Ypi和样本实际值Ovi间的均方根误差，将其作为HBA算法中每个个体的适应度值Fit：步骤6.3：根据挖掘模式策略和采蜜模式策略，计算出每个个体的位置，利用公式(14)算出每个个体的适应度值，并对其进行排序；

步骤6.4：利用维度学习策略重新对个体位置进行计算，使用公式(11)计算个体位置，并利用公式(14)计算个体适应度值，将其与步骤6.3得到的个体适应度值进行比较，选出最优适应度值对应的最优位置；

步骤6.5：判断是否达到最大迭代次数，若达到，则输出最优解，并从中提取出融合模型的超参数。否则返回步骤6.3；

步骤6.6：将步骤5中得到的锂电池健康状态预测序列输入到优化后的融合模型中进行预测，得到最终的锂电池剩余寿命预测结果。