一种基于支持向量机的超级电容器电容值退化趋势的预测方法技术

本发明专利技术公开一种基于支持向量机的超级电容器电容值退化趋势的预测方法,该预测方法将支持向量机的回归预测功能，用于超级电容器电容值退化趋势的预测，包括：1)对输入值和输出值进行预处理；2)对训练集数据进行训练，得到回归估计函数；3)采用粒子群优化算法，对支持向量机的相关参数进行自动寻优；4)根据寻优结果，设置支持向量机的相应参数值，将训练集的数据代入相关向量机模型，得到电容值退化趋势的回归预测模型；5)将测试集的数据代入回归预测模型，得到电容值的预测退化趋势。本发明专利技术能够实现电容值退化趋势的实时在线预测；通过引入粒子群优化算法，对参数寻优方法进行改进，提高了算法的预测效率和精度,适用性广。

【技术实现步骤摘要】

本专利技术提出了一种基于支持向量机(SVM)的超级电容器电容值退化趋势的预测方法，属于储能

技术介绍
超级电容器因为功率密度高、充放电时间短、循环寿命长、工作温度范围宽等优点而日益得到广泛利用。超级电容器的剩余使用寿命又称为超级电容器的健康状态(StateOfHealth；SOH)，是超级电容器的重要状态参数之一。行业普遍认为当超级电容器的电容值下降20％，即可认为超级电容器使用寿命终结。因此，准确预测超级电容器的电容值的变化趋势，为超级电容器的预测性维护、维修及优化提供支撑信息，是提高储能系统的可靠性和安全性的保障。如何准确又可靠地预测超级电容器的电容值退化趋势是超级电容器组管理系统的重要任务。目前常用的方法主要是基于故障机理模型法和阿列纽斯定律的预测方法。基于故障机理模型的预测方法从超级电容器电化学反应的本质机理角度分析电容器的运行机理并建立老化模型，超级电容器机理模型都是针对特定的电极和电解液材料、使用环境以及充放电条件进行的研究，而且此类方法所采用的模型参数一般是根据电极的物理特性来获取，因此利用此类模型难以动态跟踪环境条件的变化，从而会导致模型的准确度较差。同时，对于超级电容器这种复杂多变的电化学系统，若要对退化特征及老化原因进行详细描述，则模型的复杂程度较高，参数较多，给实际应用造成较大的困难。阿列纽斯定律主要描述温度对化学反应速度的影响，对电容器的电极和电解液的材料特性，以及充放电电压、电流等条件不做考虑，因此使用范围具有较大的局限性，预测精度较低。
技术实现思路
本专利技术的内容是基于支持向量机算法，根据超级电容器工作的历史数据或者状态数据进行电容值退化趋势的预测。同时引入粒子群优化算法对支持向量机参数选择的过程进行优化，提高了参数选择的效率。该预测方法不需要深入理解超级电容器的内部机理，具有广泛的适用性和较高的预测精度。为了达到上述目的，本专利技术的技术方案为：基于支持向量机的超级电容器电容值退化趋势的预测方法，该预测方法将支持向量机的回归预测功能，用于超级电容器电容值退化趋势的预测之中，具体步骤如下：第一步，通过实验方式得到输入变量和输出变量，并对输入变量和输出变量进行预处理。1.1)在对超级电容器进行循环充放电的过程中，实时记录超级电容器的工作状态的相关数据，包括循环次数、温度、放电电压、放电时间以及充放电电流，作为回归预测的输入变量。间隔一定的循环周期数，对超级电容器进行一次恒流充放电，根据公式(1)和公式(2)，计算得到超级电容器的电容值C，作为回归预测的输出变量。Q＝UC＝IT(1)其中，Q为电荷量，U为电压值，I为恒流充放电的电流值，T为放点时间，ΔU为对应放电时间的电压减小值。1.2)对步骤1.1)得到输入变量和输出变量进行归一化处理。为了获得更准确的预测结果，所有的输入变量和输出变量在用于训练之前一般要进行归一化处理，即根据公式(3)将输入变量和输出变量转化到[0,1]的取值范围。其中，x为输入变量和输出变量，xnor为归一化后的值，xmin和xmax分别为x的最小值和最大值。1.3)将步骤1.2)归一化处理后的输入变量和输出变量分为两部分，第一部分作为训练集，用于训练得到预测模型；第二部分作为测试集，用于回归预测。1.4)当输入变量为多维数据时，为了降低输入空间的维数，缩小求解问题的规模，从而降低计算量，而且可以得到更好的决策函数，提高预测的效率和准确性，采用主成分分析法(PCA)对训练集和测试集的输入变量进行降维处理。具体步骤如下：步骤1：设定训练集为{(xi,yi),i＝1,2,…,l本文档来自技高网...

【技术保护点】
一种基于支持向量机的超级电容器电容值退化趋势的预测方法，其特征在于以下步骤：第一步，对通过实验的方式得到的输入变量和输出变量进行预处理1.1)在超级电容器循环充放电过程中，实时记录超级电容器的工作状态的相关数据，包括循环次数、温度、放电电压、放电时间以及充放电电流，作为回归预测的输入变量；间隔一定的循环充放周期数，对超级电容器进行一次恒流充放电，计算得到超级电容器的电容值C，作为回归预测的输出变量；1.2)对步骤1.1)得到输入变量和输出变量进行归一化处理；1.3)将步骤1.2)归一化处理后的输入变量和输出变量分为两部分，第一部分作为训练集，用于训练得到预测模型；第二部分作为测试集，用于回归预测；1.4)当输入变量为多维数据时，采用主成分分析法PCA对输入变量进行降维处理；第二步，对训练集数据进行训练，得到回归估计函数2.1)训练集设为{(xi,yi),i＝1,2,…,l}，其中xi∈RN是N维输入变量，yi∈R为对应的输出变量，l为训练集的样本数；采用一个非线性映射将训练集数据映射到一个高维特征空间，在高维特征空间进行线性回归，得到如公式(5)所示的非线性回归函数f(x)：f(x)＝ω·φ(x)+b    (5)式中，ω为回归系数向量，b为阈值，φ(x)为输入变量和输出变量的映射函数；2.2)定义不敏感损失函数为：|y-f(xi)|ϵ=0,|y-f(xi)|≤ϵ|y-f(xi)|-ϵ,|y-f(xi)|>ϵ---(7)]]>其中，ε是设定的一个正数，f(xi)为预测输出值，y为实际输出值；当y与f(xi)的差别小于ε时，不计入误差；大于ε时，误差计为|y‑f(xi)|‑ε；2.3)为寻找非线性回归函数f(x)的参数值(w,b)，在公式(7)的前提下保证最小化；当公式(7)的约束条件不能实现时，引入松弛变量ξ和ξ*，同时引入惩罚变量c，得到支持向量机的原始问题的凸二次规划，求得凸二次规划问题的解后，构造决策函数，进而求解得到回归估计函数，如式(13)所示：f(x)=Σi=1l(αi-αi*)K(xi,xj)+b---(13)]]>2.4)采用径向基核函数，将公式(14)带入公式(13)中，得到如公式(15)所示的SVM回归估计函数的最终形式；K(xi,x)=exp{-||x-xi||22σ2}---(14)]]>其中，σ为径向基核函数的核宽度；f(x)=Σi=1l(αi-αi*)exp{-||x-xi||22σ2}+b---(15)]]>第三步，采用Libsvm对超级电容器电容值退化趋势进行回归预测时，需要设定支持向量机的相关参数，具体包括惩罚参数c、径向基核函数宽度σ以及损失函数p，采用粒子群优化算法对上述三个参数进行自动寻优，具体的参数自动寻优的步骤如下：3.1)对粒子群的位置、速度和迭代次数进行初始化；3.2)计算每个粒子的适应值；3.3)将粒子群中每个粒子的当前位置与其历史最优位置的适应值进行比较，如果优于历史最优位置，用当前位置作为新的历史最优位置；3.4)对于每个粒子，将其历史最优位置与粒子群内或邻域内所经历的最优位置的适应值进行比较，若更好，将其作为当前的全局最优位置；3.5)根据公式(16)和公式(17)，更新粒子的速度和位置；viq+1=viq+c1ξ(piq-xiq)+c2η(g*-xiq)---(16)]]>xiq+1=xiq+viq+1---(17)]]>式中：分别为第q次迭代过程中，第i个粒子的速度、当前位置和历史最优位置；c1和c2为学习因子，通常等于2；ξ,η∈[0,1]是在[0,1]区间内均匀分布的伪随机数；分别为在第q+1次迭代过程中，第i个粒子的速度、当前位置和历史最优位置；3.6)若未达到设定的迭代次数，则转到步骤3.2)；若达到迭代次数，终止循环，输出参数值；第四步，根据第三步寻优得到的参数值设置支持向量机的c,σ,g的值，将训练集的数据代入设置好c,σ,g参数值的支持向量机模型，进行训练得到回归预测模型；第五步，将测试集的数据代入第四步得到的回归预测模型，对超级电容器的电容值退化趋势进行预测，并对预测结果的精度进行评价。...

【技术特征摘要】
1.一种基于支持向量机的超级电容器电容值退化趋势的预测方法，其特征在于以下步骤：第一步，对通过实验的方式得到的输入变量和输出变量进行预处理1.1)在超级电容器循环充放电过程中，实时记录超级电容器的工作状态的相关数据，包括循环次数、温度、放电电压、放电时间以及充放电电流，作为回归预测的输入变量；间隔一定的循环充放周期数，对超级电容器进行一次恒流充放电，计算得到超级电容器的电容值C，作为回归预...

【专利技术属性】
技术研发人员：张莉，时洪雷，张松，卢晓杰，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21