1.基于先验知识和多源信息融合的燃料电池故障诊断方法，其特征在于，包括：获取燃料电池在不同电流密度和工作状态的电压信息，其中所述工作状态为正常和故障状态，故障状态包括膜干状态、水淹状态、氢饥饿状态、氧饥饿状态；

对所述电压信息的特征进行提取和特征级融合，获取先验知识特征矩阵；

获取所述燃料电池在不同频率下的交流阻抗；

建立所述燃料电池的三阶电化学等效电路模型，基于所述三阶电化学等效电路模型，获取阻抗计算模型；

基于不同频率下的所述交流阻抗通过改进的Nelder‑Mead算法对所述阻抗计算模型进行参数辨识，获取阻抗信息特征矩阵；

基于不同频率下的所述交流阻抗通过改进的Nelder‑Mead算法对所述阻抗计算模型进行参数辨识包括：S1、对所述阻抗计算模型的辨识参数赋予初始值并初始化频率点的权重；

S2、采用Nelder‑Mead算法对所述辨识参数进行计算，获取辨识参数估计值并更新所述频率点的权重；

S3、基于所述辨识参数估计值，获取预测交流阻抗，计算所述交流阻抗和所述预测交流阻抗均方根误差后迭代次数加1；

S4、判断所述均方根误差是否小于均方根误差预设值或迭代次数是否达到预设迭代次数，若是则输出最优辨识参数，若否则返回S2；

采用所述Nelder‑Mead算法对所述辨识参数进行计算，获取辨识参数估计值并更新所述频率点的权重包括：利用所述Nelder‑Mead算法对所述辨识参数进行计算，获取所述辨识参数估计值；

基于所述辨识参数估计值，对所述频率点的误差进行计算；

基于所述误差，更新所述频率点的权重；

更新所述权重的方法为：

其中， 为频率点i的误差， 为一个很小的正数， 为权重；

对所述阻抗计算模型的辨识参数赋予初始值并初始化频率点的权重之前包括：利用加权目标函数对所述交流阻抗和所述预测交流阻抗的每一个频率点的误差进行加权，获取所述交流阻抗和所述预测交流阻抗的总误差；

将所述总误差作为所述改进的Nelder‑Mead算法的目标函数；

将所述先验知识特征矩阵和所述阻抗信息特征矩阵进行特征级融合和归一化后输入SVM分类器进行训练，构建燃料电池故障诊断分类器；

将待测燃料电池实时状态信息输入所述燃料电池故障诊断分类器，获取所述待测燃料电池故障。

2.根据权利要求1所述的基于先验知识和多源信息融合的燃料电池故障诊断方法，其特征在于，对所述电压信息的特征进行提取和特征级融合包括：提取所述电压信息的平均值、峰值、峰谷差、标准差、均方根、裕度作为统计学特征，提取所述电压信息的频谱中心频率和主频率作为频谱特征；

将所述统计学特征和所述频谱特征进行特征级融合，获取所述先验知识特征矩阵。

3.根据权利要求1所述的基于先验知识和多源信息融合的燃料电池故障诊断方法，其特征在于，所述阻抗计算模型为：其中， 为交流阻抗， 为欧姆阻抗， 为传质阻抗，为常相位角元件的阻抗，k为第k个RQ电路。

4.根据权利要求1所述的基于先验知识和多源信息融合的燃料电池故障诊断方法，其特征在于，所述每一个频率点的误差为：所述总误差为：

其中， 为频率点i的误差，

为第i个频率点的观测值， 为第i个频率点的预测值， 为权重，为总误差，N为频率点总数。