1.一种基于PSO-GWO-DELM的质子交换膜燃料电池系统故障诊断方法，其特征在于，包括如下步骤：步骤1：使用传感器测得质子交换膜燃料电池分别在膜干、水淹、正常情况下的电流数据，并将得到的电流数据拟合成等效模型，取等效模型的各元件参数组成原始数据集；

步骤2：通过对经验小波变换EWT算法进行优化得到改进经验小波变换IEWT算法，使用改进经验小波变换IEWT算法，将电流信号分解成不同频率和尺度的子信号，从而提取电池信号的频率特征，进而从中获得稳定的趋势分量，将获得的数据集随机分为训练数据集和测试数据集；

步骤3：利用粒子群算法PSO对灰狼算法GWO进行优化，得到粒子群算法改进的灰狼算法PSO-GWO；所述PSO-GWO通过混合PSO和GWO的搜索策略，更新每个粒子和灰狼的位置和速度，将PSO和GWO的搜索策略结合在一起，同时利用全局和局部搜索来搜索最优解；

步骤4：使用训练数据集构建深度极限学习机DELM分类模型，经由PSO-GWO算法对深度极限学习机DELM进行优化学习处理，搜索最优权值；

步骤5：利用优化训练后的深度极限学习机DELM对测试数据集进行辨别分类。

2.根据权利要求1所述的基于PSO-GWO-DELM的质子交换膜燃料电池系统故障诊断方法，其特征在于，所述步骤2中的通过对经验小波变换EWT算法进行优化得到改进经验小波变换IEWT算法，具体改进如下：步骤2.1：对故障信号进行傅里叶变换，在傅里叶域对被分析信号归一化处理，并依据Shannon法则将信号频谱定义在[0,π]范围内，并将[0,π]分为M个带宽不等的频带，每段用Λ即第m个频带的上边界等于

步骤2.2：计算经验小波的尺度函数和小波函数，两者组成的滤波器组，对检测到的所有频率段进行尺度变换和滤波，去除干扰噪声；尺度函数和小波函数的公式分别为：其中，确定小波框架的系数为

上述(3)式中的υ，即v(a)为信号函数，v(a)＝a步骤2.3：根据经验小波的尺度函数和小波函数，得到经验小波的细节函数和近似函数；

细节函数的公式表达为：

近似函数的公式表达式：

步骤2.4：通过细节函数和近似函数，经由两者的重构得到重构信号；

重构信号公式表达式：

将(6)式和(7)式相应的公式代入(8)式中，然后再对其进行整理工作可得到如下公式:

3.根据权利要求1所述的基于PSO-GWO-DELM的质子交换膜燃料电池系统故障诊断方法，其特征在于，所述步骤3中的粒子群算法改进灰狼算法，得到PS0-GWO，具体如下：步骤3.1：灰狼确定猎物目标，即为

式中，

步骤3.2：猎物被包围后，α狼、β狼和δ狼被视为3个潜在解，且此三者会因为猎物的移动而随之改变其位置，灰狼群体追逐猎物的行为可以表述下面数学公式：其中，h取值为α，β，δ；q＝1，2，3；

步骤3.3：使用PSO算法来优化GWO算法，PSO算法将粒子看作在空间中做有方向的变速运动，通过自身的记忆和群体的交流来不断调整运动方向和速度，从而寻找最优解，速度和位置的更新公式如下：步骤3.4：PSO-GWO通过调节惯性常数τ以提高算法全局搜索并平衡局部搜索能力，τ的变化范围为[0.5，1]，则速度和位置的更新公式变为：则灰狼群体追逐猎物的行为变为：

4.根据权利要求1所述的基于PSO-GWO-DELM的质子交换膜燃料电池系统故障诊断方法，其特征在于，所述步骤4中的深度极限学习机DELM进行优化学习处理步骤如下：步骤4.1：DELM使用极限学习机和自动编码器相结合，形成了极限学习机-自动编码器ELM-AE模型；

步骤4.2：ELM学习过程：首先，随机初始化输入层权重和隐藏层偏置，然后将训练数据输入网络中进行训练，得到输出结果；其次，根据训练误差项和输出层权重范数的正则项构成损失函数，利用最小二乘法求解输出层权重；最后，利用Moore-Penrose广义逆矩阵理论求解输入层权重和隐藏层偏置，从而得到最终的模型；具体如下：数据集输入样本可表达为X

o

隐含层神经元数量为

ELM的学习目标是使输出误差尽量接近于零，表述为：步骤4.3：结合式(15)，学习目标可表述为矩阵形式：Hβ＝T                  (18)式中，T为期望输出；β为输出权重矩阵；H为极限学习机隐含层输出矩阵：为得到单隐层神经网络，式(18)又能够等价于

其中，

步骤4.4：利用ELM-AE作为无监督学习的基础单元，进行输入数据的自动编码器训练和学习，使用最小二乘法来获得ELM-AE的输出权值矩阵，并将其保存下来，以便用于构建堆栈多层极限学习机ML-ELM；具体如下：使用最小二乘法可以得到ELM-AE与最终的DELM分类层或回归层的权重矩阵，并且只需进行简单的反向计算即得到更新后的权重，DELM的输出表达式表示为下式：其中，a是由a

其中，X＝[x