1.一种锂电池健康状态和剩余寿命预测方法，其特征在于，包括如下步骤：对原始充电数据进行去除噪声和异常值的预处理，得到归一化数据；

利用预设的差分方式对归一化数据进行结构化处理，得到结构化数据；

将所述结构化数据输入预设的多策略注意力回归网络进行特征提取，得到第一任务全局时序特征图和第二任务全局时序特征图，所述第一任务和第二任务为不同的预测任务；

将所述第一任务全局时序特征图和第二任务全局时序特征图分别结合锂电池健康状态历史数据输入预设的预测器，输出锂电池健康状态预测结果和剩余寿命预测结果。

2.根据权利要求1所述的一种锂电池健康状态和剩余寿命预测方法，其特征在于，所述预处理，包括以下步骤：利用线性插值生成的新值替换异常值；

删除破坏充电容量单调下降的数据；

将数据从时间维度转换为电池的充电状态维度，并利用滤波器进行数据平滑；

对平滑后的数据进行归一化处理。

3.根据权利要求1所述的一种锂电池健康状态和剩余寿命预测方法，其特征在于，所述结构化处理，包括以下步骤：将前t个循环周期的归一化数据与最近L个循环周期的归一化数据作为输入，对每一个周期，除第一个周期外，将该周期的数据与前一个周期的数据进行差分计算，得到差分后的数据；

利用差分后的数据，形成多维数据向量，得到结构化数据。

4.根据权利要求1所述的一种锂电池健康状态和剩余寿命预测方法，其特征在于，所述预设的多策略注意力回归网络包括卷积干线模块，带有通道稀疏注意力的残差模块，带有空间稀疏注意力的残差模块，带有全局注意力的残差模块；所述特征提取，包括以下步骤：将结构化数据输入卷积干线模块，输出初步特征图；

将初步特征图输入带有通道稀疏注意力的残差模块，输出通道时序特征图；

将通道时序特征图输入带有空间稀疏注意力的残差模块，输出空间时序特征图；

将空间时序特征图输入带有全局注意力的残差模块，输出全局时序特征图。

5.根据权利要求1所述的一种锂电池健康状态和剩余寿命预测方法，其特征在于，所述预设的预测器包括预设神经网络和三个多层感知机；所述对锂电池健康状态预测结果和剩余寿命进行预测的方法，包括以下步骤：将锂电池健康状态历史数据输入第一多层感知机调整数据的通道大小，以与全局时序特征图匹配；

将调整通道大小后的锂电池健康状态历史数据与第一任务全局时序特征图或第二任务全局时序特征图进行通道拼接，得到融合特征图；

将融合特征图依次通过神经网络、第二多层感知机、第三多层感知机，输出锂电池健康状态预测结果或剩余寿命预测结果。

6.一种锂电池健康状态和剩余寿命预测系统，用于实现权利要求1-5任一项所述的一种锂电池健康状态和剩余寿命预测方法，其特征在于，包括：预处理模块，用于对原始充电数据进行去除噪声和异常值的预处理，得到归一化数据；

结构化模块，用于利用预设的差分方式对平滑数据进行结构化处理，得到结构化数据；

多策略注意力回归网络模块，用于对结构化数据进行特征提取，得到第一任务全局时序特征图和第二任务全局时序特征图；

预测模块，用于将所述第一任务全局时序特征图和第二任务全局时序特征图分别结合锂电池健康状态历史数据输入预设的预测器，输出锂电池健康状态预测结果和剩余寿命预测结果。

7.根据权利要求6所述的一种锂电池健康状态和剩余寿命预测系统，其特征在于，利用预处理模块对原始充电数据进行预处理，包括以下步骤：利用线性插值生成的新值替换异常值；

删除破坏充电容量单调下降的数据；

将数据从时间维度转换为电池的充电状态维度，并利用滤波器进行数据平滑；

对平滑后的数据进行归一化处理。

8.根据权利要求6所述的一种锂电池健康状态和剩余寿命预测系统，其特征在于，利用结构化模块对归一化数据进行结构化处理，包括以下步骤：将前t个循环周期的归一化数据与最近L个循环周期的归一化数据作为输入，对每一个周期，除第一个周期外，将该周期的数据与前一个周期的数据进行差分计算，以得到差分后的数据；

利用差分后的数据，形成多维数据向量，得到结构化数据。

9.根据权利要求6所述的一种锂电池健康状态和剩余寿命预测系统，其特征在于，所述多策略注意力回归网络模块包括卷积干线模块，带有通道稀疏注意力的残差模块，带有空间稀疏注意力的残差模块，带有全局注意力的残差模块；利用预设的多策略注意力回归网络模块提取全局时序特征图的方法，包括以下步骤：将结构化数据输入卷积干线模块，输出初步特征图；

将初步特征图输入带有通道稀疏注意力的残差模块，输出通道时序特征图；

将通道时序特征图输入带有空间稀疏注意力的残差模块，输出空间时序特征图；

将空间时序特征图输入带有全局注意力的残差模块，输出全局时序特征图。

10.根据权利要求6所述的一种锂电池健康状态和剩余寿命预测系统，其特征在于，所述预测模块包括预设神经网络和三个多层感知机；利用预测模块对锂电池健康状态预测结果和剩余寿命进行预测的方法，包括以下步骤：将锂电池健康状态历史数据输入第一多层感知机调整数据的通道大小，以与全局时序特征图匹配；

将调整通道大小后的锂电池健康状态历史数据与第一任务全局时序特征图或第二任务全局时序特征图进行通道拼接，得到融合特征图；

将融合特征图依次通过预设神经网络、第二多层感知机、第三多层感知机，输出锂电池健康状态预测结果或剩余寿命预测结果。