1.一种预测燃料电池性能及关键输入参数寻优的方法，其特征在于包括：
2.根据权利要求1所述的一种预测燃料电池性能及关键输入参数寻优的方法，其特征在于：将燃料电池的电流密度、温度、湿度、压力和空气计量比作为bp神经网络的输入变量，将燃料电池输出电压作为输出变量，充分考虑不同变量对燃料电池输出性能的影响，从而建立基于bp神经网络的多输入参数燃料电池模型。
3.根据权利要求2所述的一种预测燃料电池性能及关键输入参数寻优的方法，其特征在于：所述bp神经网络包括输入层、隐藏层和输出层，其中输入层神经元节点个数为5，并分别与电流密度、温度、湿度、压力和空气计量比对应，其中输出层神经元节点个数为1，与燃料电池输出电压对应。
4.根据权利要求1所述的一种预测燃料电池性能及关键输入参数寻优的方法，其特征在于：所述自适应遗传算法基于交叉算子计算公式考虑种群个体最大适应度和种群平均适应度间的关系，其中交叉算子取值采取不同的函数表达式计算，使交叉算子在求解过程中能够根据适应度自动调整。
5.根据权利要求1所述的一种预测燃料电池性能及关键输入参数寻优的方法，其特征在于：通过遗传算法寻找在燃料电池输出性能最佳时关键输入参数最优的组合方法时：设定电流密度、温度、湿度、压力和空气计量比为输入参数，燃料电池输出电压为输出参数，编写适应度函数，设置输入参数的上下限范围值，以燃料电池输出电压最高值为目标，寻找在燃料电池输出性能最佳时关键输入参数最优的组合方法，从而完成多目标多参数优化过程。
6.根据权利要求1所述的一种预测燃料电池性能及关键输入参数寻优的方法，其特征在于：将求解得到的最优输入参数组合作为新的预测数据，再次输入至完成训练的bp神经网络模型中，通过bp神经网络模型计算此时的燃料电池输出电压，获得与训练过程中计算相同的燃料电池最佳输出性能值，从而证明优化后的bp神经网络参数寻优结果的可靠性。