1.基于数据驱动的电源输出掉电异常预警方法，其特征在于，该方法包括以下步骤：获取蓄电池放电过程中监测数据的数据序列，所述监测数据包括负载电流、蓄电池温度、输出电压；

分别将负载电流、蓄电池温度作为输出电压的影响因素，利用拟合算法获取每种影响因素数据序列的拟合曲线；根据每种影响因素数据序列的拟合曲线获取每种影响因素的不稳定系数；

根据每种影响因素数据序列中每个元素在局部时间序列中的波动特征获取每种影响因素的波动集中度；将每种影响因素的不稳定系数与波动集中度的比值作为每种影响因素的平滑影响系数；

利用关联度分析算法获取每种影响因素与输出电压的关联度，根据所述关联度、每种影响因素的平滑影响系数获取平滑常数，采用指数移动平均法基于平滑常数得到输出电压的预测值；根据输出电压的预测值发生具体的输出掉电异常预警信息。

2.根据权利要求1所述的基于数据驱动的电源输出掉电异常预警方法，其特征在于，所述利用拟合算法获取每种影响因素数据序列的拟合曲线的方法为：将每种影响因素的数据序列中每个元素的取值作为纵坐标，将所述每个元素对应的采集时间作为横坐标，利用三次指数平滑法基于所述横、纵坐标获取每种影响因素数据序列的拟合曲线。

3.根据权利要求1所述的基于数据驱动的电源输出掉电异常预警方法，其特征在于，所述根据每种影响因素数据序列的拟合曲线获取每种影响因素的不稳定系数的方法为：根据每种影响因素数据序列的拟合曲线上极值点的分布获取每种影响因素的波动指数；

每种影响因素的不稳定系数由每种影响因素的波动指数、每种影响因素数据序列的信息熵两部分组成，其中，所述不稳定系数与波动指数、信息熵成正比关系。

4.根据权利要求3所述的基于数据驱动的电源输出掉电异常预警方法，其特征在于，所述根据每种影响因素数据序列的拟合曲线上极值点的分布获取每种影响因素的波动指数的方法为：获取每种影响因素数据序列拟合曲线上所有极值点对应取值中的最大值和最小值，将所述取值中最大值与最小值差值的绝对值作为第一乘积因子；

将每种影响因素数据序列拟合曲线上极值点的数量与每种影响因素数据序列中元素数量的比值作为第二乘积因子；

将第一乘积因子与第二乘积因子的乘积作为每种影响因素的波动指数。

5.根据权利要求1所述的基于数据驱动的电源输出掉电异常预警方法，其特征在于，所述根据每种影响因素数据序列中每个元素在局部时间序列中的波动特征获取每种影响因素的波动集中度的方法为：根据每种影响因素数据序列上每个元素与其所取局部时间序列上数据点的差异获取每种影响因素数据序列上每个元素的近邻突显指数；

根据所述局部时间序列内数据点的分布差异以及所述每个元素的近邻突显指数获取每种影响因素数据序列上每个元素的局部波动系数；

获取每种影响因素数据序列上每个元素的采集时刻与预测时刻的时间间隔，将每种影响因素数据序列上每个元素的局部波动系数与所述时间间隔的比值在每种影响因素数据序列上的累加和作为分子，将每种影响因素数据序列上的元素数量作为分母，将分子与分母的比值作为每种影响因素的波动集中度。

6.根据权利要求5所述的基于数据驱动的电源输出掉电异常预警方法，其特征在于，所述根据每种影响因素数据序列上每个元素与其所取局部时间序列上数据点的差异获取每种影响因素数据序列上每个元素的近邻突显指数的方法为：将每种影响影响因素时间序列上每个元素作为中心元素，利用每个中心元素左右相邻预设数量个元素组成每个中心元素的局部时间序列；

将每个中心元素的数据值与其对应局部时间序列中每个元素值之间差值的平方在所述局部时间序列上的累加作为分子；

将分子与每个中心元素的局部时间序列中元素数量的比值作为每个中心元素的近邻突显指数。

7.根据权利要求5所述的基于数据驱动的电源输出掉电异常预警方法，其特征在于，所述根据所述局部时间序列内数据点的分布差异以及所述每个元素的近邻突显指数获取每种影响因素数据序列上每个元素的局部波动系数的方法为：将每个中心元素的局部时间序列中元素值的最大值、最小值之间的差值与所述局部时间序列自相关系数绝对值的乘积作为第一组成因子；

每个元素的局部波动系数由近邻突显指数、第一组成因子两部分组成，其中，所述局部波动系数与近邻突显指数、第一组成因子成正比关系。

8.根据权利要求1所述的基于数据驱动的电源输出掉电异常预警方法，其特征在于，所述根据所述关联度、每种影响因素的平滑影响系数获取平滑常数的方法为：利用关联度分析算法获取每种影响因素与输出电压的关联度；

将每种影响因素的平滑影响系数与每种影响因素对应关联度的乘积作为每种影响因素的决策值；

将两种影响因素决策值的和与第一预设参数的乘积作为第二组成因子，将第二组成因子与第二预设参数的和作为平滑常数。

9.根据权利要求8所述的基于数据驱动的电源输出掉电异常预警方法，其特征在于，所述利用关联度分析算法获取每种影响因素与输出电压的关联度的方法为：分别将每种影响因素作为自变量，将输出电压作为因变量，利用灰色关联分析算法基于监测数据的数据序列得到每种影响因素与输出电压之间的关联度。

10.根据权利要求1所述的基于数据驱动的电源输出掉电异常预警方法，其特征在于，所述根据输出电压的预测值发生具体的输出掉电异常预警信息的方法为：获取预测时刻输出电压的预测值与检测蓄电池电压输出时预设阈值的对比结果，根据所述对比结果判断是否发送一级预警信息；

根据预测时刻输出电压的预测值与前一时刻输出电压的预测值之间的差值大小判断是否发送二级预警信息。