1.一种数据驱动的梯次电池rul预测与分类方法,其特征在于，具体包括如下步骤：
步骤s1：收集拟参与梯次利用电池的生产商数据及电池型号，对于每一种型号，取30个出厂的新电池，构成一组；
步骤s2：对于不同生产商的不同型号的电池，测试每一组电池的时序数据，建立电池rul的衰减数据库；
步骤s3：根据步骤s2中测试的时序数据，建立数据驱动rul预测模型，预测退役电池的rul；
步骤s4：基于k均值算法，对退役电池进行分类；
步骤s5：将步骤s4中分得同类的电池，通过串并联结合组装成新的电池组，投入到能源互联网中进行梯次利用。
2.根据权利要求1所述的数据驱动的梯次电池rul预测与分类方法，其特征在于，所述步骤s2中测试每一组电池的时序数据，具体为：选取电池充放电过程中的电压、电流、温度作为特征量。
3.根据权利要求1所述的数据驱动的梯次电池rul预测与分类方法，其特征在于，所述步骤s3具体包括：
步骤s31：模型定义与参数估计，利用步骤s2中时序数据，建立状态退化模型，基于极大似然估计方法得到估计参数；
步骤s32：测试退役电池的时序数据，对所述退役电池的时序数据进行预处理，输入到步骤s31得到的状态退化模型中，得到估计退役电池的rul。
4.根据权利要求3所述的数据驱动的梯次电池rul预测与分类方法，其特征在于，所述步骤s31中，状态退化模型为自回归滑动平均模型，模型中的噪声模型为有色噪声。
5.根据权利要求3所述的数据驱动的梯次电池rul预测与分类方法，其特征在于，所述步骤s32中，对所述退役电池的时序数据进行预处理，具体包括：对所述退役电池的时序数据，通过小波分析进行多尺度和多分辨率分析，取低频数据部分，输入到步骤s31中的状态退化模型中，取高频数据部分用于构建模型中的噪声模型。
6.根据权利要求3所述的数据驱动的梯次电池rul预测与分类方法，其特征在于，所述步骤s32中，输入到步骤s31得到的状态退化模型中，得到估计退役电池的rul，具体包括：通过对比退役电池的时序数据的衰减率与s2步骤中的时序数据的数据衰减率，在误差阈值内得到退役电池的rul估计。
7.根据权利要求1所述的数据驱动的梯次电池rul预测与分类方法，其特征在于，所述步骤s4中，基于k均值算法，对退役电池进行分类，具体包括：基于k均值算法，将电压等级相同的，且rul相近的电池分到同一类。
8.根据权利要求1所述的数据驱动的梯次电池rul预测与分类方法，其特征在于，在所述步骤s5中，对s4中所分的同类电池，根据用户的用电设备电压等级的需要，进行串并联的组合封装。