1.一种基于imf能量矩和遗传算法优化svm的储能电池过充诊断方法，其特征在于，包括以下步骤：
s1：利用传感器采集储能电池在正常充电和过充状态下的壳体表面振动信号；
s2：对收集得到的信号进行小波降噪处理；
s3：对处理后的信号进行经验模态分解，提取各本征模函数的能量矩作为特征指标并进行归一化处理，构成数据集；
s4：利用数据集训练遗传算法优化支持向量机模型，确定模型的最优参数；
s5：提取待诊断的信号的特征向量，利用上述模型诊断储能电池是否过充。
2.根据权利要求1所述的一种基于imf能量矩和遗传算法优化svm的储能电池过充诊断方法，其特征在于：在步骤s1中，振动信号利用加速度传感器进行采集，加速度传感器粘附于静止的储能电池壳体表面中央。
3.根据权利要求1所述的一种基于imf能量矩和遗传算法优化svm的储能电池过充诊断方法，其特征在于：在步骤s1中，通过改变储能电池充电截止电压实现储能电池处于正常充电和过充两种不同状态。
4.根据权利要求1所述的一种基于imf能量矩和遗传算法优化svm的储能电池过充诊断方法，其特征在于：在步骤s2中，使用matlab的函数ddencmp()获得信号的默认阈值，再利用wdencmp()对原信号进行降噪，选取db3小波，分解层数为2层。
5.根据权利要求1所述的一种基于imf能量矩和遗传算法优化svm的储能电池过充诊断方法，其特征在于：在步骤s3中，各本征模函数的能量矩归一化处理计算步骤如下：
s3.1：用emd分解信号，得到若干本征模函数(imf)zi(t),i＝1,2,……；
s3.2：对于离散信号，每一个imf能量矩利用下式计算：
式中，δt为采样周期，n为总的采样点数，j为采样点；
s3.3：按下式归一化计算得到能量矩特征向量：
6.根据权利要求1所述的一种基于imf能量矩和遗传算法优化svm的储能电池过充诊断方法，其特征在于：在步骤s4中，用遗传算法搜寻支持向量机储能电池过充识别的最优参数的主要流程为：
s4.1：将归一化后的能量矩特征向量数据集作为训练样本输入到支持向量机模型中。