本发明属于设计燃料电池领域，尤其涉及一种质子交换膜燃料电池冷启动时间的预测方法。
背景技术：
1、质子交换膜燃料电池（pemfc）作为一种以氢为燃料的清洁能源技术，具有发电效率高、污染物排放低、体积小、噪声低等显著优势，具有广泛的应用前景。pemfc以其独特的优势成为替代传统充电电池的优选能源，尤其适用于汽车和家庭供电系统，被视为未来替代传统内燃机驱动的有力竞争者。全球范围内对燃料电池汽车的研发投入持续增长。
2、质子交换膜燃料电池由于自身的特点，在综合应用中面临诸多问题，pemfc在低温环境下的冷启动过程中，结冰问题是导致启动失败的主要原因之一。在低温启动时，电解质中的水可能会冻结，导致膜和催化层之间的空间膨胀，进而增加电阻并引发材料的剥落和损坏现象。此外，气体扩散层中的冰会导致其多孔结构堵塞，改变疏水性和气体渗透性，从而影响燃料电池的性能和使用寿命。
3、目前，针对冷启动的研究主要集中在增强电堆材料和改进启动方法上。然而，材料的升级并不能完全保证燃料电池的成功启动。因此，从故障维护转向预防性维护，对pemfc冷启动过程中可能产生的问题进行预测和调整，具有重要的实际应用价值，目前针对燃料电池冷启动时间进行预测以提早调整启动的方法面临大量空白。
4、燃料电池冷启动时间直接影响系统低温环境下的启动效率。传统方法存在两方面缺陷：一是基于物理机理的数值模型计算复杂，难以满足实时控制需求；二是纯数据驱动方法依赖大量实验数据且泛化能力不足。现有技术中尚未见有效结合机理模型与神经网络优势的解决方案。
技术实现思路
1、为解决上述技术问题，本发明提供了一种质子交换膜燃料电池冷启动时间的预测方法，包括：
2、基于燃料电池构建冷启动时间预测的机理模型；
3、构建神经网络模型，基于所述机理模型对所述神经网络模型进行训练，获得预测模型；
4、基于所述预测模型对质子交换膜燃料电池冷启动时间进行预测，生成预测结果。
5、优选地，所述机理模型包括：气体传输模型、输出电压模型、温度分层模型和水传输模型。
6、优选地，所述气体传输模型包括：阴极气体传输模型和阳极气体传输模型，所述阴极气体传输模型和阳极气体传输模型用于反应燃料电池在低温环境下的气体扩散、迁移与反应过程。
7、优选地，所述输出电压模型用于得到在冰累积因素的影响下燃料电池实际运行条件下向外部提供的电压。
8、优选地，所述温度分层模型基于膜电极处的传热关系表达式建立，用于计算膜电极温度以及融冰热量。
9、优选地，所述水传输模型用于进行水平衡计算和冰累积计算。
10、优选地，所述获得预测模型的过程包括：
11、基于所述机理模型得到的启动时间和输入量作为历史数据集；
12、对所述历史数据集进行归一化处理，获得归一化数据集；
13、构建神经网络模型，基于所述归一化数据集对所述神经网络模型进行训练，获得训练模型；
14、使用测试集对模型进行评估，计算均方误差和决定系数作为模型预测精度的衡量指标，获得所述预测模型。
15、优选地，所述预测模型的输入层为2个节点，1个隐藏层拥有60个神经元，输出层为1个节点。
16、另一方面，本发明还提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算程序，所述处理器执行所述计算程序时实现所述方法。
17、另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述方法。
18、与现有技术相比，本发明具有如下优点和技术效果：
19、本发明提出了一种基于混合建模的质子交换膜燃料电池冷启动时间预测方法，利用机理模型生成大量高质量的仿真训练数据，在此基础上，本发明采用多层感知器神经网络（mlp），利用深度学习方法建立初始参数与冷启动时间之间的非线性映射关系。最终，通过所训练得到的冷启动时间预测模型，进行冷启动时间预测。本方法兼具高精度、高效率、良好的物理可解释性和较强的泛化能力，为燃料电池的低温启动控制提供了重要的技术支撑，具有广阔的应用前景。
1.一种质子交换膜燃料电池冷启动时间的预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述机理模型包括：气体传输模型、输出电压模型、温度分层模型和水传输模型。
3.根据权利要求2所述的方法，其特征在于，所述气体传输模型包括：阴极气体传输模型和阳极气体传输模型，所述阴极气体传输模型和阳极气体传输模型用于反应燃料电池在低温环境下的气体扩散、迁移与反应过程。
4.根据权利要求2所述的方法，其特征在于，所述输出电压模型用于得到在冰累积因素的影响下燃料电池实际运行条件下向外部提供的电压。
5.根据权利要求2所述的方法，其特征在于，所述温度分层模型基于膜电极处的传热关系表达式建立，用于计算膜电极温度以及融冰热量。
6.根据权利要求2所述的方法，其特征在于，所述水传输模型用于进行水平衡计算和冰累积计算。
7.根据权利要求1所述的方法，其特征在于，所述获得预测模型的过程包括：
8.根据权利要求1所述的方法，其特征在于，所述预测模型的输入层为2个节点，1个隐藏层拥有60个神经元，输出层为1个节点。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算程序，其特征在于，所述处理器执行所述计算程序时实现所述权利要求1-8任意一项所述方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述权利要求1-8任意一项所述方法。