1.一种基于鲁棒模型的燃料电池剩余寿命预测方法，其特征在于，包括以下步骤：(1)将预先获取的燃料电池寿命预测相关数据作为输入变量，使用基于最大信息系数和融合Lasso的近似马尔科夫毯方法进行特征选取，选择出与燃料电池剩余寿命密切相关的电池容量数据作为输出变量；

(2)对采用局部均值分解的降噪方法，将电池容量数据分解成若干个低频乘积函数分量和余量，同时计算连续均方根误差作为高频分量、低频分量的分界点；

(3)对黏菌算法SMA进行改进，采用混沌反向学习策略对SMA的种群初始化进行改进，在黏菌算法的包围食物阶段融合黄金正弦，得到ISMA算法；

(4)采用ISMA算法对鲁棒加权最小二乘模型RWLS的惩罚系数γ和核函数参数δ进行优化，并同时针对步骤(2)分解后得到的低频分量进行建模；

(5)采用鲁棒集成深度随机向量函数链接网络模型ORedRVFL针对步骤(2)分解后得到的高频分量进行建模；

(6)将训练集分别输入到对应的两个预测模型中进行预测，将两个模型的预测结果进行堆叠，得到最终燃料电池电池容量的预测结果，最终采用RMSE和MAE的作为评价指标来判断这两个模型的可靠性；

(7)当步骤(6)中得到的燃料电池电池容量预测值达到失效阈值时，根据燃料电池电池容量预测结果获取燃料电池剩余寿命的预测值；

所述步骤(1)实现过程如下：

(11)一阶段相关性分析，相关性信息公式为；

Q＝{qi,i＝1,2,…,n}、W＝{wi,i＝1,2,…,n}为数据集；q、w为二维随机变量；p(q,w)为q和w的联合概率密度函数；p(q)和p(w)为边缘概率密度函数；

(12)数据集D＝{(qi,wi),i＝1,2,...n}，其最大信息系数为：EIC(D)＝maxqw＜B(m){M(D)Q,W}样本容量为m；B(m)是样本容量的取值；

(13)给定一个m条样本的特征集F＝{f1,f2,…,fn,c}，特征数为n，类别为c；[0,1]之间，对任意类别c与特征fi间的相关性定义为EIC(fi,c)，计算特征与类别的相关性EIC(fi,c)，计算公式如下：相关性得分越高的特征越重要，并按照相关性得分对特征进行降序排序，构建一阶段后的燃料电池特征组；

(14)二阶段冗余性分析，选取主元素fi，并将其放入最优特征子集；

主元素：一个特征fi，当且仅当没有元素是fi的近似马尔科夫毯；

(15)根据近似马尔科夫毯的概念，把所有以当前主元素为近似马尔科夫毯的冗余特征都删除，条件公式：EIC(fi,R)≥EIC(fj,R)||EIC(fi,fj)≥EIC(fj,R)其中，R为目标变量；fi是fj的近似马尔科夫毯，fj为需剔除冗余特征；

(16)重复步骤(14)和(15)直至特征集F中没有主元素，由所有主元素组成的特征子集为次最优特征子集，该子集中特征与类别间相关性高；

(17)采用Lasso方法在损失函数的基础上引入惩罚函数L1范数项，压缩不显著回归系数为0的同时减少对重要回归系数的过度压缩，具体公式如下：其中，n为特征数量，m为样本数量，oj为回归系数向量，qij为特征矩阵，wi为样本真实值，α为压缩程度；通过近似马尔科夫毯构建次燃料电池最优特征子集后，再对次最优特征子集应用Lasso方法迭代删除燃料电池寿命预测相关除冗余特征，得到燃料电池寿命预测最优特征子集；

所述步骤(3)实现过程如下：

(31)采用混沌反向学习策略对SMA算法进行种群位置的初始化，改进后的初始化公式为：Pi＝rand(0,1)·(LB+UB)

其中，yi为立方序列；Xi范围由下界到上界；UB表示黏菌下位置边界；LB表示黏菌上位置边界；Pi为反向解；

(32)黏菌在接近食物阶段，位置更新公式如下：

p＝tanh|Si‑DF

其中，W为黏菌算法的权重；VB是[‑a,a]之间的随机数；VC是从1线性递减到0的参数；r为[0,1]之间的随机数；Xb为当前最优个体位置；XA和XB为两个随机的黏菌个体；p＝tanh|Si‑DF|是对黏菌位置更新方式有影响的参数；DF代表当前个体的最优适应度；i表示黏菌个体；Si为第i个黏菌个体的适应度值；condition表示适应度排名前百分十50的黏菌；BF、WF分别表示当前获得的最优适应度和最差适应度；SmellIndex表示适应度值按升序排序；

a的计算公式如下：

其中，tmax代表最大迭代次数；

(33)将黄金正弦分割系数引入SMA算法，对原始位置更新公式进行改进，改进后的位置更新公式如下：R1∈(0,2π)；R2∈(0,π)；X1＝‑π+(1‑π)；X2＝‑π+(τ×2π)；

其中，X1和X2为通过黄金比率计算的系数，τ为黄金分割系数；

黏菌经过两阶段的位置更新后，所取得的更好的位置，即多项燃料电池寿命预测数据输入变量的最佳位置，也就是燃料电池输出变量的最优解；

步骤(4)所述采用ISMA算法对鲁棒加权最小二乘模型RWLS的惩罚系数γ和核函数参数δ进行优化实现过程如下：初始化ISMA算法的相关参数，包括种群规模、初始化种群数量、搜索空间的上下限、最大迭代次数和当前迭代次数；

将燃料电池的训练集输入进RWLS模型中，对模型的惩罚系数γ进行寻优，计算经过该模型训练的预测值fv和样本实际值av，种群中每个个体的适应度值Fit由预测值和实际值的均方根误差来表示，公式如下：通过ISMA算法所得的新的位置，利用上述适应度值公式计算出每个个体的适应度值，并按照降序进行排序，当满足模型预设终止条件时，选择出最佳的种群位置，即为模型参数惩罚系数γ的最优值；

步骤(4)所述针对步骤(2)分解后得到的低频分量进行建模实现过程如下：加权最小二乘模型WLS的待优化函数如下：

其中，νi表示加权因子；可得拉格朗日函数，公式为：往误差项ei中引入加权因子νi，来提高加权最小二乘WLS的鲁棒性，引入拉个朗日算子后，公式为：其中，α表示拉格朗日乘子；αi表示拉格朗日乘子向量；根据最优化条件得线性矩阵为：Ω为n阶矩阵；

得到鲁棒加权最小二乘模型RWLS得预测函数为：

所述步骤(5)实现过程如下：

(51)在随机向量函数链接神经网络RVFL中，输入层中的数据输入通过隐藏层中的节点遍历，在隐藏层中进行非线性映射，最终通过输出函数输出，公式为：wj是第j个隐藏节点的权重，X＝[x1,x2,...,x2]输入矩阵，bj是阈值，βj是输出层权重，g()是激活函数；

(52)深度随机向量函数链接神经网络dRVFL是在RVFL的基础上增加隐藏层数得到的，隐藏层的数据输入公式为：(i‑1)

Yin表示隐藏层输出，W表示隐藏层权重，[Yin ；X]代表隐藏层的输出与输入层的输入特征的拼接；

(53)集成深度随机向量函数链接神经网络edRVFL是在dRVFL的基础上加入集成方法，将edRVFL中的最终输出β分解成若干个小β独立计算，即每个隐藏层计算一个β，最终取平均值：(54)异常值鲁棒集成深度随机向量函数链接神经网络ORedRVFL是在针对燃料电池数据中常出现得异常值问题，采用正则化和范式提高模型得鲁棒性，将模型风险得最小化问题转化成l2范数输出权重β最小化问题，目的是让误差e稀疏，公式有：Yin为隐藏层输出；

(55)用l1范数替换l0范数，保证凸得整体最小化，及误差e得稀疏性，公式如下：(56)为求解凸优化约束问题，采用增强拉格朗日乘子法，公式为：λ为增强拉格朗日乘数向量，μ为惩罚参数；

(57)经过拉格朗日乘子法的迭代、求解，最终得到ORedRVFL的预测函数：

2.根据权利要求1所述的一种基于鲁棒模型的燃料电池剩余寿命预测方法，其特征在于，步骤(1)所述的燃料电池寿命预测相关数据包括燃料电池使用时间、电压、电流、温度、输出功率和电池容量。

3.根据权利要求1所述的一种基于鲁棒模型的燃料电池剩余寿命预测方法，其特征在于，所述步骤(2)实现过程如下：(21)燃料电池原始信号为x(t)，计算x(t)中的局部极值点gi和对应极值x(gi)，则局部均值Ji和局部幅值Ai表示为：对局部幅值和局部均值进行处理，得到局部均值函数J11(t)和局部幅值函数A11(t)；

(22)将局部均值函数J11(t)从原始信号x(t)中去除：H11(t)＝x(t)‑J11(t)

使用局部幅值函数A11(t)解H11(t)，有：

计算得到S11(t)局部幅值函数A12(t)，判断其是否为1；若不是，则将S11(t)视为输入信号，并计算局部均值函数J12(t)，并从S11(t)中去除J12(t)从而得到H12(t)，再用A12(t)解H12(t)；重复上述步骤就可以得到纯调频信号S1n(t)；

最终局部幅值信号为：

t表示第t次迭代；

(23)将纯调频信号与局部幅值信号的乘积表示第一个乘积函数：PF1(t)＝A1(t)S1n(t)

* *

(24)从原始信号x(t)中去除PF1(t)，得到新的信号x(t) ，新信号x(t) 为原始信号的平*滑版本；重复步骤(21)至步骤(24)，得到单调函数后xk(t) ，停止迭代；

*

(25)x(t)表示为k个PF与一个残余xk(t) 的叠加，即：LMD分解的基础为信号自身极值，不断迭代得到相应PF，信号最终被分解为残余信号和部分PF；

(26)通过计算连续均方根误差来确定高、低频分量的分界点，将CMSE全局极小值对应的p值作为高、低频分量的分界点，公式如下：经过LMD降噪分解后的燃料电池数据，分成高频分量和低频分量。

4.根据权利要求1所述的一种基于鲁棒模型的燃料电池剩余寿命预测方法，其特征在于，所述步骤(6)实现过程如下：(61)将分解后的燃料电池数据集分别输入到对应的鲁棒加权最小二乘模型RWLS和异常值鲁棒集成深度随机向量函数链接神经网络模型ORedRVFL中进行燃料电池电池容量预测，将预测结果进行堆叠重组，公式如下：将RWLS和ORedRVFL的预测结果函数进行联立求解，最终得到的燃料电池电池容量预测结果，公式如下：(62)选择RMSE和MAE的作为模型的判断指标，公式如下：其中，RMSE和MAE这个两个评价指标，数值越小则说明RWLS和ORedRVFL这两个模型针对燃料电池电池容量预测结果ffinal的可靠性和准确性越强。

5.根据权利要求4所述的一种基于鲁棒模型的燃料电池剩余寿命预测方法，其特征在于，所述步骤(7)实现过程如下：RUL＝NocMaxsafe‑Noccurrent其中，NocMaxsafe为燃料电池最大安全循环次数，Noccurrent为当前燃料电池循环次数，NocMaxsafe‑Noccurrent得到的剩余安全循环次数，即燃料电池剩余寿命。