1.一种电动汽车锂电池温度预测方法，其特征在于，包括以下步骤：(1)采集不同老化程度下电动汽车锂电池的原始数据；

(2)运用灰色关联度分析对原始数据进行特征选取，选择关联度较高的特征变量，得到关键温度特征集合；

(3)利用DBSCAN聚类算法对关键温度特征集合划分基于不同老化程度的温度数据样本子集，运用TCN温度预测模型对不同老化程度的温度数据样本子集进行分别预测，得到第一层预测结果；组合所有预测值重构为新的数据集作为温度在线预测模型OSELM的输入；

(4)对蜜獾算法HBA进行改进：采用Chebyshev混沌映射对蜜獾算法的种群进行初始化处理，提高种群均衡性；在挖掘阶段中加入Levy飞行和透镜成像反向学习策略，扩大搜索范围，提高局部搜索能力，得到XHBA算法；

(5)利用XHBA算法对步骤(3)所述温度在线预测模型OSELM的权重和偏置进行优化，获得最优权重和偏置，利用优化后的在线温度预测模型对锂电池温度的测试数据样本进行融合预测，得到最终预测结果。

2.根据权利要求1所述的一种电动汽车锂电池温度预测方法，其特征在于，所述步骤(1)实现过程如下：(11)选取多个不同使用程度的锂电池，其分别具有不同老化程度，对这些锂电池进行标号(1,2,3,...,n)；

(12)在不同环境温度T

3.根据权利要求1所述的一种电动汽车锂电池温度预测方法，其特征在于，所述步骤(2)实现过程如下：(21)构建数据矩阵，确定参数序列；假设n个样本，每一样本数量为m，构成的n个数据序列形成如下矩阵Y：式中，Y

(22)使用关联算式进行无量纲化处理：

式中，y'

(23)计算各个样本与参考数列的绝对差值△

△

△

(24)求解绝对差值的最大值v

(25)计算灰色关联系数ω

其中，i＝1,2,...,n；k＝1,2,...,m；λ为分辨系数；

(26)使用下式计算灰色关联度ω

4.根据权利要求1所述的一种电动汽车锂电池温度预测方法，其特征在于，所述步骤(3)实现过程如下：(31)采用DBSCAN聚类算法基于锂电池老化程度来描述样本集的紧密程度，将样本集划分为不同老化程度的样本子集；

参数(δ,MinPts)用来描述邻域的样本分布紧密程度，其中，δ描述了某一样本的邻域距离阈值，MinPts描述了某一样本的距离为δ的邻域中样本个数的阈值，进行数据分析；

给定对象半径为E内的区域称为该对象的E邻域；设置半径参数、邻域以及不同簇的个数C代表的情况；

(32)根据每个老化程度不同的样本子集分别建立相对应的TCN温度预测模型，得到五组不同老化程度的锂电池温度预测结果；

(33)将每组预测结果与原始数据作为新的训练集，送入OSELM模型中进行融合预测，得到在线温度预测结果。

5.根据权利要求1所述的一种电动汽车锂电池温度预测方法，其特征在于，所述步骤(4)实现过程如下：(41)设置XHBA算法的种群数量和最大迭代次数，以及搜索空间的上限、下限；

(42)采用Chebyshev混沌映射初始化蜜獾种群，定义式如下：p

式中，p为区间[-1，1]的随机数，i为阶次；

初始化蜜獾种群N，在D维空间中初始化第一个个体的空间位置：Z

采用式(9)对个体X的每一维xi进行逐代更新，直至生成剩余的N-1个蜜獾个体；结合混沌序列，进一步映射成搜索空间内的蜜獾个体初始位置：式中，ub和lb为搜索空间的上界和下界，j∈[1,j]；

(43)在挖掘阶段，蜜獾执行类似于心脏形状的动作，模拟等式如下所示：式中，x

(44)在采蜜阶段，引入levy飞行对蜜獾位置进行更新，改进后的位置更新公式如下：上式中，X

其中，参数β的取值为1.5，μ和v分别为服从(45)在蜜獾算法的挖掘阶段和采蜜阶段之后加入透镜成像反向学习策略，在二维坐标中，以当前坐标为基准生成一个反向位置来扩大搜索范围，其反向学习公式如下：式中，x

6.根据权利要求1所述的一种电动汽车锂电池温度预测方法，其特征在于，所述步骤(5)实现过程如下：(51)将步骤(3)中所得预测结果以2:1的比例划分为学习样本集和验证集，以历史数据作为测试集；

(52)在学习样本集中选取部分数据对OSELM进行初始化，利用学习样本集中剩下的数据让OSELM进行更新学习，学习完成后利用验证集对OSELM模型进行训练，建立OSELM在线温度预测模型，得到初步预测结果；

(53)对XHBA算法的相关参数进行初始化，包括蜜獾种群数量、个体位置、维度、最大迭代次数、搜索空间的上界和下界；

(54)利用XHBA算法将预测偏差作为目标函数，根据目标函数计算蜜獾个体适应度值；对OSELM的权重和偏置进行寻优；

(55)判断是否达到最大迭代次数，若达到，则输出最优权重和偏置；否则返回步骤(54)；

(56)将测试集数据输入到经过XHBA优化的OSELM模型中进行预测，得到最终在线温度预测结果。

7.根据权利要求2所述的一种电动汽车锂电池温度预测方法，其特征在于，步骤(12)所述的锂电池一个周期的物理信息包括电压U、电流I、内阻R、充放电时间t。

8.根据权利要求4所述的一种电动汽车锂电池温度预测方法，其特征在于，所述步骤(31)实现过程如下：将样本集划分为老化程度≤20％、老化程度20％-40％、老化程度40％-60％、老化程度60％-80％、老化程度≥80％五个样本子集；

关键温度特征参数经过DBCSAN聚类算法处理后，簇的个数发生变化：当簇的个数C＝1时，老化程度≤20％；当簇的个数C＝2时，老化程度20％-40％；当簇的个数C＝3时，老化程度40％-60％；当簇的个数C＝4时，老化程度60％-80％；当簇的个数C＝5时，老化程度≥80％。

9.一种装置设备，其特征在于，包括存储器和处理器，其中：存储器，用于存储能够在处理器上运行的计算机程序；

处理器，用于在运行所述计算机程序时，执行如权利要求1-8任一项所述电动汽车锂电池温度预测方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如权利要求1-8任一项所述电动汽车锂电池温度预测方法的步骤。