1.一种质子交换膜燃料电池寿命预测的方法，其特征在于，包括以下步骤：(1)预先获取质子交换膜燃料电池监测数据；并对该数据进行预处理；

(2)基于互信息的主成分分析法对步骤(1)获取的数据进行处理，并通过高斯核函数法滤除噪声尖峰，获取输入变量集，并划分为训练集和测试集；

(3)建立改进的蛇算法优化的卷积神经网络模型CSO‑CNN，将步骤(2)中获取的训练集输入CSO‑CNN模型中进行训练，并通过测试集得到堆栈输出电压与燃料电池使用时间的退化趋势DT1；

(4)建立改进的蛇算法优化随机向量函数连接网络模型CSO‑RVFL，将步骤(2)中获取的训练集输入CSO‑RVFL模型中进行训练，并通过测试集得到堆栈输出电压与燃料电池使用时间的退化趋势DT2；

(5)根据燃料电池的极化曲线和极化方程建立PEMFC电压衰减的半经验模型；

(6)利用粒子滤波嵌套半经验模型，首先通过对实验电压数据进行训练迭代得到物理模型中的状态方程和观测方程的参数范围，然后用粒子群优化算法进行参数优化，最后用物理模型中的参数反推电压得到燃料电池电压与燃料电池使用时间的退化趋势DT3；

(7)将步骤(3)、(4)、(6)中所得到的燃料电池退化趋势结果通过Blending集成学习结合，对质子交换膜电池剩余寿命进行预测。

2.根据权利要求1一种质子交换膜燃料电池寿命预测的方法，其特征在于，步骤(1)所述的质子交换膜燃料电池监测数据包括老化时间、单电池和电堆电压、电流、电流密度、氢气入口和出口温度、空气入口和出口温度、冷却水入口和出口温度、氢气入口和出口压力、空气入口和出口压力、氢气入口和出口流速、空气入口和出口流速、冷却水流速、冷却水流速。

3.根据权利要求1一种质子交换膜燃料电池寿命预测的方法，其特征在于，所述步骤(2)实现过程如下：(21)原数据矩阵如下所示：

其中，X为燃料电池的样本数据集，i为原始数据个数；j为燃料电池的监测参数的个数；

(22)互信息衡量两个变量间相互依赖的程度,表示两个变量间共同拥有信息的含量，给定两个随机变量X和Y，若它们各自的边缘概率分布和联合概率分布分别为p(x),p(y)和p(x,y)，则它们之间的互信息I(X；Y)定义为：(23)在主成分分析中用互信息来替代协方差矩阵如下所示：T

A∑IX,YA＝Λ  (3)

其中：∑IX,Y为数据集的互信息矩阵，A为特征向量βn组成的矩阵，Λ为特征值υn组成的对角矩阵；

(24)基于互信息的主成分矩阵z为：

T

z＝Ax  (4)

主成分向量 且两两正交，βn是主成分向量zn的转换系数；

(25)判断主成分的维数j，定义MIPCA的主成分贡献率σn为单一主成分占总体主成分信息量的比率，即：其中，υn为互信息矩阵∑IX,Y第n个特征值，表示主成分向量zn的信息量；定义MIPCA的主成分累积贡献率δn为前n个主成分的贡献率之和，有：选择贡献率之和大于90％的前W个主成分所代表的参数作为输入变量集；

(26)对数据进行滤波平滑处理，采用高斯核函数公式如下：滤波后的数据为：

其中，si＝K[(tj‑ti)/h]，h为带宽，控制函数经向作用范围。

4.根据权利要求1一种质子交换膜燃料电池寿命预测的方法，其特征在于，所述步骤(3)实现过程如下：改进的蛇优化算法CSO是在蛇种群初始化过程中引入Chebyshev映射初始化，使得蛇种群能够进行更广泛的搜索，提高算法的搜索效率：Xi＝cos(karccosxn),xn∈[‑1,1](10)其中，Xi是整个种群中第i个体的位置，即燃料电池输入变量的位置，k为燃料电池输入变量的维度，xn为[‑1,1]的随机数；

模拟蛇在不同温度，不同食物条件下的不同行为模式，进行对燃料电池输入变量进行寻优；将燃料电池输入变量送入CSO后以种群的形式存在，是优化的真正内容，种群规模和迭代次数依靠经验选择；

将蛇的种群分为雌性和雄性两个组，每组各占50％：

Nm≈N/2(11)

Nf＝N‑Nm(12)

N为蛇的种群大小根据燃料电池样本数据大小以及经验进行设定，Nm和Nf分别为雄性数目和雌性数目；

找到雄性、雌性和整个种群中最佳位置的个体即对燃料电池输入变量位置更新，Xbest,m，Xbest,f，Xfood；计算燃料电池输入变量的适应度fbest,m，fbest,f，ffood；定义当前温度Temp和食物数量Q：c1为常数设定为0.5，t0为当前迭代次数，T为最大迭代次数；

根据蛇的交配模型，在温度较低并且食物充足的条件下，蛇种群才会发生交配行为；否则蛇会寻找食物或者吃存储的食物；

将搜索过程分为两个阶段，即勘探和开发：勘探模式发生在食物不足的情况下即Q<

0.25，在该模式下的蛇种群的每一个个体都会四处勘探寻找食物，并更新它们的位置；如下所示：Xi,m＝Xrand,m±c2×Am×(Limits×rand+Xmin)  (15)Xi,f＝Xrand,f±c2×Af×(Limits×rand+Xmin)  (16)其中，Xi,m和Xi,f为雄性和雌性的第i个体的位置，即为燃料电池输入变量的位置，Xrand,m和Xrand,f表示随机的雄性和雌性位置，c2为常数是0.05，Limits是模型的超参数上下边界的差值，rand是(0，1)的随机数，Xmin是燃料电池输入变量的下边界，Am和Af为寻找燃料电池输入变量最优位置的能力；

如果食物充沛Q>0.25，将处于开发模式；在温度较高的情况下temperature>0.6，蛇只会寻找食物，位置更新公式如下：Xi＝Xfood±c3×Temp×rand×(Xfood‑Xi)  (17)Xfood表示整个群体中最好的个体位置即燃料电池退化趋势预测的最优值；c3为常数；

Temp为当前温度；

而在温度较低的情况下temperature<0.6，就会发生战斗模式或交配过程；战斗模式如下：Xi,m＝Xi,m+c3×FM×rand×(Q×Xbest,f‑Xi,m)  (18)Xi,f＝Xi,f+c3×FF×rand×(Q×Xbest,m‑Xi,f)  (19)rand是(0，1)的随机数，Xbest,m和Xbest,f是雄性和雌性中最好的个体位置代表着燃料电池输出变量的最优值；FM和FF是燃料电池预测最优位置的能力；

交配模式如下：

Xi,m＝Xi,m+c3×Mm×rand×(Q×Xi,f‑Xi,m) (20)Xi,f＝Xi,f+c3×Mf×rand×(Q×Xi,m‑Xi,f) (21)c3为常数设定为2，Mm和Mf分别为燃料电池性能退化趋势的寻优能力；

待交配完成后，雌性种群就会产卵，并选择是否孵化来替代现种群中最差的雄性和雌性个体，公式如下：Xworst,m＝Xmin+rand×(Xmax‑Xmin) (22)Xworst,f＝Xmin+rand×(Xmax‑Xmin) (23)Xworst,m和Xworst,f表示最差的雄性和雌性个体，Xmax，Xmin是燃料电池性能退化输入变量的上下边界；

采用CSO算法对CNN的超参数进行优化，建立CSO‑CNN预测模型：初始化CNN模型的参数，随机设置CNN的权重、阈值和学习率；通过CSO‑CNN预测模型用训练集对模型进行超参数寻优；蛇种群初始化，对当前食物数量Q和温度T进行初始化，并将种群分为雌性种群和雄性种群；计算雄性和雌性的适应度值，并更新蛇的最佳位置和适应度值即参数的最优值；达到最大迭代次数后，解码蛇的最佳位置得到最优超参数；将测试集输入到优化后的CSO‑CNN预测模型，得到燃料电池的堆栈输出电压与时间的退化趋势DT1。

5.根据权利要求1一种质子交换膜燃料电池寿命预测的方法，其特征在于，所述步骤(5)实现过程如下：燃料电池的单电池电压为：

Vcell＝Eo‑△Vact‑△Vohm‑△Vconc  (24)Eo为开路电压，△Vact和△Vconc分别为电池阳极和阴极发生的活化极化和浓差极化，△Vohm为欧姆极化；

利用对燃料电池和极化曲线分析，极化方程半经验方程如下：

其中，Vst和i分别为电压和电流，N为电堆中电池数量，T为温度，a和b为Tafel常数和浓度常数；需要识别的参数为开路电压E0，电池总电阻R，交换电流密度i0和极限电流密度iL；

根据极化方程和极化曲线，总电阻和交换电流密度i0作为时变参数，建立PEMFC电压衰减的半经验模型；稳态运行下的R和i0随时间变化遵循线性方程，先将其相互耦合，采取一个单变量参数连接改半经验模型中的R和i0，公式如下：α(t)＝β·t，β为退化率；R(0)和i0(0)分别为总电阻和交换电流密度的初始值；随着PEMFC的退化，总电阻R增大和交换电流密度i0减小；氢燃料电池的半经验退化模型如下：其中，i(t)为当前时刻氢燃料电池的交换电流密度，α(t)为燃料电池稳定状态下的总电阻R与电流密度i0的关系。

6.根据权利要求1一种质子交换膜燃料电池寿命预测的方法，其特征在于，所述步骤(6)实现过程如下：根据PEMFC电压衰减的半经验模型，确定PF模型的状态方程和观测方程，对状态方程和T观测方程重新定义xk＝[αk,βk]，zk＝Vst，k则PEMFC的状态空间模型为：其中，zk为燃料电池的观测电压，ik为燃料电池的观测电流，αk为总电阻R和i0的耦合的离散线性方程，Ts为数据的采样周期，R0为总电阻的初始值，N为电堆中电池数量，T为温度，a和b为Tafel常数和浓度常数；nk为状态噪声，需要识别的参数为开路电压E0，电池总电阻初始值R0，初始时刻电流密度i0,k和极限电流密度iL；

PSO优化算法结合PF模型嵌套氢燃料电池的半经验模型，对燃料电池寿命预测步：燃料电池的电压数据传入PF嵌套的氢燃料电池的半经验模型进行循环迭代，达到最大迭代次数输出PEMFC模型参数开路电压E0,电池总电阻初始值R0,初始时刻电流密度i0,k和极限电流密度iL；将输出PEMFC模型参数的值是通过粒子群迭代寻优得到开路电压E0,电池总电阻初始值R0,初始时刻电流密度i0,k和极限电流密度iL最优值；得到的参数最优值放入PF嵌套的氢燃料电池的半经验模型系统的状态空间模型传递粒子进行循环迭代；达到最大迭代次数后输出机理模型PEMFC堆栈电压与时间的退化趋势DT3。