1.一种质子交换膜燃料电池性能退化区间预测方法，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输出电压数据及其特征变量，采用快速相关性过滤法对特征变量进行特征选择，选取相关性程度高的特征变量作为输入变量；

(2)利用鲁棒经验模态分解法对输出电压数据进行分解，分解为多个子序列；

(3)采用样本熵聚合重构多个子序列，以降低计算复杂度；

(4)构建分位数回归‑时间卷积网络‑稀疏串联霍普菲尔德网络区间预测模型QR‑TCN‑StanHop_Net；首先，将预处理的数据输入到时间卷积网络TCN中，利用其多层卷积结构和膨胀卷积提取特征向量；然后，将输出向量转化为时间序列输入到稀疏串联霍普菲尔德网络StanHop_Net模型中进行预测；接着，采用QR生成每个分量对应的条件分位数，将各分量的所有条件分位数累加得到最终区间预测结果；所述QR是对最小二乘回归的改进和扩展，用于分析自变量和因变量在不同分位数之间的关系；QR模型使用分位数损失函数作为其损失函数，使用QR方法能得到因变量的条件分位数结果；

(5)对牛顿‑拉夫逊优化算法NRBO进行改进，获得改进的NRBO算法，表示为INRBO；首先，通过采用佳点集策略对种群进行初始化，增加种群的多样性，从而提高算法的收敛速度和精度；其次，引入自适应的t分布变异算子，利用算法的迭代次数作为t分布的自由度参数，以增加种群的多样性，从而避免算法陷入局部最优解；采用INRBO对TCN‑StanHop_Net模型的超参数进行优化；

(6)利用QR‑TCN‑StanHop_Net模型对各分量进行预测，得到各分量对应的条件分位数，将各分量的所有条件分位数累加得到最终区间预测结果；

所述步骤(4)实现过程如下：

首先，将REMD分解并经样本熵重构得到的多个PEMFC输出电压子序列与经FCBF特征选择得到的PEMFC相关性程度高的特征变量进行一一组合形成多个数据集；将多个数据集分别输入到TCN中，利用其多层卷积结构和膨胀卷积提取特征向量；然后，将输出向量转化为时间序列输入到StanHop_Net模型中进行预测，得到多个分量的预测结果；接着，采用QR生成每个分量对应的条件分位数，将各分量的所有条件分位数累加得到最终区间预测结果；

将分解得到的PEMFC子序列V＝[v1,v2,v3,...,va]与FCBF特征选择得到的PEMFC相关性程度高的特征变量Q＝[q1,q2,q3,...,qn]进行组合，其具体数据矩阵便是如下：其中，vaQ表示第a个子序列与特征变量的组合数据矩阵，以v1Q为例，其具体表示如下：其中， 表示第1个PEMFC的电压分量数据序列的第d个数据， 表示第n个特征变量数据序列中的第d个数据；

在TCN模型卷积部分采取因果卷积，通过一维扩张系数调整采样间隔，同时，引入Dropout操作以加快训练速度并防止过拟合，扩张卷积的形式如下：式中：F(ε)为扩张卷积；z为卷积核大小；f(i)为卷积核中第i个元素；xε‑di代表与卷积核中元素对应相乘的序列元素；

为了解决引入因果卷积和膨胀卷积从而造成的梯度消失或者爆炸问题，TCN引入残差模块，将模型的输入v1Q加权融合到模型的输出F(v1Q)中最终得到TCN的输出θ：θ＝Activation(v1Q+F(v1Q))    (19)式中：Activation为激活函数，θ为输入矩阵v1Q经TCN特征提取后的PEMFC的第一个分量的特征矩阵；

StanHop_Net中STanHop模块包括一个基于GSHLayer的外部内存插件模块，以及GSH层的两个串联子块，用于处理时间和序列维度，STanHop的单个块定义如下：其中，Memory()表示外部内存插件模块；R是PEMFC电压的一个隐藏向量，其对应的外部存储器集合 C表示通道号；T表示时间段(修补时间步长)的数量；Dhidden代表隐藏层的维度； 代表转置操作；LayerNorm()代表层归一化操作；FF()*指前馈网络；GSH(X,X)表示从分割的时间序列中提取X的时间动态的信息；GSHPooling(R ,t t * *A)表示将A 和一个随机初始化的查询R 作为输入；R是可学习的，并且随机初始化；Aout代表PEMFC电压劣化预测结果；

StanHop_Net还引入两个额外的外部记忆模块：Plug‑and‑Play模块和Tune‑and‑Play模块，分别用于无需训练的记忆增强和任务感知的记忆增强；所述Plug‑and‑Play模块允许在不需要对模型进行额外微调的情况下，利用外部记忆来提升模型性能；使用参数固定的GSHLayer进行记忆检索，直接利用预训练的模型和外部记忆集，而不需要对模型进行任何调整或训练；所述Tune‑and‑Play模块使用GSHLayer进行“伪标签检索”的概念，以增强时间序列预测；使用现代Hopfield模型的记忆检索机制，从包含标签的记忆集Y中为给定的R生成伪标签，从而增强预测；

线性QR回归模型的表示形式为：

Qyi(η|xi)＝β(η)xi,i＝1,2,…,n    (22)式中,Qyi(η|xi)为因变量yi的条件分位数；η∈(0,1)；β(η)为回归系数的向量；

将求解不同回归系数向量β(η)的问题转化为损失函数L：

式中,φη表示不对称函数，其计算式为：

最终，通过线性QR模型估算第η个条件分位数为：

式中， 是β(η)的估计值； 是Qyi(η|xi)的估计值。

2.根据权利要求1所述的一种质子交换膜燃料电池性能退化区间预测方法，其特征在于，步骤(1)所述质子交换膜燃料电池的特征变量包括电流、温度、湿度、降解时间、气体供应压力。

3.根据权利要求1所述的一种质子交换膜燃料电池性能退化区间预测方法，其特征在于，所述步骤(1)实现过程如下：输出电压数据V和特征变量Q＝{q1，q2，...，qj}，则在信息熵理论中有表示变量V的信息熵H(V)、表示在变量Q条件下变量V的条件熵H(V|Q)、表示观测到随机变量Q后，变量V信息熵减少的互信息IG(V|Q)，它们分别定义为:IG(V|Q)＝H(V)‑H(V|Q)(3)

其中，qj表示PEMFC的第j个特征变量，P(V)表示PEMFC输出电压数据V的概率、P(qj)表示当特征变量Q取qj值时的概率，H(V)表示输出电压V的信息熵，H(V|Q)表示在特征变量Q条件下输出电压V的条件熵；P(V|qj)表示在特征变量qj的条件下输出电压V的概率，IG(V|Q)表示观测到特征变量Q后，输出电压V信息熵减少的互信息；

采用归一化互信息SU来表示变量之间的相关性，SU定义为:

其中，对称不确定度SU的取值范围是在0到1之间，数值越大表示每个特征与输出电压变量之间的相关性程度越高，选取相关性程度高的特征变量作为输入变量。

4.根据权利要求1所述的一种质子交换膜燃料电池性能退化区间预测方法，其特征在于，所述步骤(2)实现过程如下：REMD将筛选停止判定条件定义为f(u)，f(u)应尽可能小：

f(u)＝kr+Ku(6)式中：gu[l]表示初始信号经u次迭代得到的分量；l为信号长度；kr代表gu[l]的均方根；Ku为gu[l]的超额峰度；

设Kv(RIMF)为EMD分解得到的第v个符合条件的RIMF分量，x[l]为待分解目标信号，u为实现次数，u＝0，1，2，…，Imax，d＝1，2，…；

1)导入原始数据进行初始化；

2)由经过筛选迭代后的信号hu[l]求得上包络线αmax[l]，下包络线αmin[l]；求hu[l]均值包络线 如下式所示：

3)筛选得到信号h1[l]，由 获得式(6)中参数f(u)；

4)判断提取的RIMF是否符合条件；若不符合条件，以h1[l]为新的初始信号，重复2)至3)；

直至获得第一个RIMF分量；

当未达到最大迭代次数Imax时：

RIMF1＝hu‑2[l](10)

达到最大次数时：

RIMF1＝hu[l](11)

5)获得新的初始信号Gd[l]，d＝1，2，…，判断Gd[l]是否单调或为常值，若不是重复1)至

5)，直至初始信号不能被分解；不能被分解的信号定义为残差信号RRS：

RRS＝Gd[l](13)

最后，初始信号x[l]表示为：

式中，D为模态分量函数的总数量。

5.根据权利要求1所述的一种质子交换膜燃料电池性能退化区间预测方法，其特征在于，所述步骤(3)实现过程如下：样本熵值与序列复杂性呈正相关，值越大表示序列的复杂度越高；值越小则表示序列的自我相似性越高；样本熵的计算表示式为：m

式中：u代表序列长度；v代表相似容限；w代表维数；E(v)表示两个序列在v下匹配到w个w点的概率；F(v)表示两个序列在给定相似容限下匹配到(w+1)个点的概率。

6.根据权利要求1所述的一种质子交换膜燃料电池性能退化区间预测方法，其特征在于，步骤(5)所述对牛顿‑拉夫逊优化算法NRBO进行改进，实现过程如下：初始化：NRBO通过在候选解的边界内产生初始随机种群来开始搜索最优解，基于存在Nv个种群，且每个种群由dim决策变量组成，随机总体由等式(26)生成：其中， 表示第n个种群的第ε维位置，rand代表(0，1)区间的随机数，lb代表下界，ub代表上界，dim代表问题的维度；

牛顿‑拉夫逊搜索规则NRSR是基于Newton‑Raphson方法的概念提出的，该概念是为了促进勘探趋势和加速收敛：其中，qw表示最差位置，qb表示最佳位置，qw和qb是使用Bn+1和xn生成的两个向量的位置，τ1表示(0，1)之间的随机数，Sb表示迄今为止获得的最佳解，位置Sb在其邻域中的位置比位置sn更好，位置Sw在其邻域中的位置比位置sn更差，sn是当前迭代步骤的近似根位置，Δs用于计算函数在sn附近的斜率，Bn+1表示更新种群中个体的位置，矢量 的当前位置已经由下式更新：其中， 是通过更新 而得到的新向量位置，randn表示均值为0且方差为1的正态分布随机数，IT表示当前迭代，其中a和b是(0，1)之间的随机数，τ1和τ2表示(0，1)之间的随机数；

利用等式(28)中的当前矢量 的位置替换最佳矢量Sb的位置来构造新矢量当涉及到局部搜索时，公式(29)是良性的，但它有局限性，当涉及到全局搜索，而搜索策略提出的方程(28)于全局搜索是有益的；下一次迭代期间的新位置向量表示为等式(30)：陷阱避免操作器TAO：为了避免算法陷入局部最优解，TAO通过引入随机扰动来处理这种情况，通过使用TAO可以显著改变 的位置，它通过组合最佳位置sb和当前矢量位置来产生具有增强质量 的解决方案；如果rand的值小于DF，则使用等式(32)产生解其中，rand表示(0，1)之间的均匀随机数，γ1和γ2分别是(‑1，1)和(‑0.5，0.5)之间的均匀随机数，DF表示控制NRBO性能的决定因子，δ的自适应系数，μ1和μ2是随机数；

基于佳点集的种群初始化：生成佳点集S＝{s1,s2,...si,...,sκ}(i＝1,2,…,κ)，κ为种群规模；si＝{si1,si2,...sij,...,sid}中的任意维分量为 d为空间维数，1≤j≤c，c为维度，p为满足 的最小素数；将佳点集映射到搜索空间：sij＝Lbj+mod(sij,1)×(Ubj‑Lbj)，其中sij为位置，Ubj，Lbj表示第j维的上下界；

基于迭代次数的t分布变异：对牛顿‑拉夫逊个体的位置进行自适应t分布变异，定义如下：式中： 为变异后的牛顿‑拉夫逊个体状态；Sbest代表当前的最优位置；t(D)代表以算法迭代次数为参数自由度的t分布；ξ代表变异控制因子。

7.根据权利要求1所述的一种质子交换膜燃料电池性能退化区间预测方法，其特征在于，步骤(5)所述采用INRBO对TCN‑StanHop_Net模型的超参数进行优化为采用INRBO算法对TCN‑StanHop_Net串联模型中TCN的卷积核大小、残差块个数和StanHop_Net模型的隐藏层节点数、隐藏层维度进行优化。