【技术实现步骤摘要】
一种基于LSTM
‑
SVR的超级电容器剩余使用寿命预测方法
[0001]本专利技术专利技术涉及超级电容器
,尤其涉及到一种基于LSTM
‑
SVR的超级电容器的剩余使用寿命预测方法
技术介绍
[0002]相比于传统的化学电源,超级电容器既具有电容器快速充放电的特性,同时又具有电池的储能特性,具有功率密度高、充放电速度快、循环稳定性高、工作温度范围宽等优势,是一种高效、实用、环保的新型储能元件。因此,超级电容器在国防、新型能源汽车、电力以及交通运输等方面的应用十分广泛。
[0003]超级电容器的寿命影响着应用设备和系统的安全性和可靠性,所以准确预测超级电容器剩余使用设寿命,为超级电容器的预测性维护、维修及优化提供支撑信息,是提高系统的可靠性和安全性的保障。
[0004]目前,基于数据驱动的超级电容器寿命预测方法不需要对超级电容器进行物理建模,旨在模拟测量数据与组件退化之间的关系而无需详细研究内部化学物质的变化和副反应的干扰。因此,基于数据驱动的超级电容器寿命预测方法较为方便,但是如何提高超级电容器剩余寿命预测精度,这将成为超级电容器应用技术的研究重点。
技术实现思路
[0005]本专利技术实施例提供了一种基于LSTM
‑
SVR的超级电容器的剩余使用寿命预测方法,基于长短时记忆神经网络LSTM和支持向量机SVR算法相结合,根据超级电容器循环寿命测试实验所得老化状态数据进行超级电容器剩余使用寿命预测。将遗传算法GA的交叉、变异操作引入粒子群算法PSO, ...
【技术保护点】
【技术特征摘要】
1.一种基于LSTM
‑
SVR的超级电容器剩余使用寿命预测方法,包括以下步骤:步骤1:模拟实际工况下超级电容器的工作方式,对超级电容器进行循环寿命测试;步骤2:将改进粒子群算法IPSO分别优化长短时记忆神经网络LSTM与支持向量机SVR,计算LSTM的隐藏层单元数量和随机失活Dropout概率的最优解与支持向量机SVR的惩罚参数C和核参数g的最优解;步骤3:根据所述的LSTM的隐藏层单元数量和随机失活Dropout概率的最优解作为LSTM的最优参数,对LSTM进行训练;步骤4:根据所述的支持向量机SVR的惩罚参数C和核参数g的最优解作为SVR的最优参数,对SVR进行训练步骤5:利用最小二乘法确定LSTM与SVR的权重系数,建立LSTM
‑
SVR组合预测模型并对超级电容器的剩余使用寿命进行预测。2.根据权利要求1所述的一种基于LSTM
‑
SVR的超级电容器剩余使用寿命预测方法,其特征在于,所述的实际工况可以是任意一种超级电容器的工作场景,本发明选用的是应用于NB网络大电流脉冲通信场景。3.根据权利要求1所述的一种基于LSTM
‑
SVR的超级电容器剩余使用寿命预测方法,其特征在于,所述的超级电容器循环寿命测试的步骤如下:1)对超级电容器进行预充放电处理,再测量电容静电容量的初始值;2)在预充放电处理后,将超级电容器的电压放电至最低电压U
min
,静置24h;3)在70℃高温下,使用模拟实际电流对超级电容器进行充放电循环;4)当超级电容器的当前静电容量值小于初始静电容量值的80%时停止测试,并记录实验过程中的充放电电压、电流以及充放电对应的循环次数等数据。4.根据权利要求1所述的一种基于LSTM
‑
SVR的超级电容器剩余使用寿命预测方法,其特征在于,所述的改进粒子群算法IPSO是将遗传算法GA中的交叉、变异操作引入粒子群算法PSO中,构成改进粒子群算法IPSO。5.根据权利要求1所述的一种基于LSTM
‑
SVR的超级电容器剩余使用寿命预测方法,其特征在于,所述的利用IPSO算法分别计算寻找LSTM的隐藏层单元数量和随机失活Dropout概率的最优解与支持向量机SVR的惩罚参数C、核参数g的最优解,包括:1)对表征LSTM的隐藏层单元的数量和随机失活Dropout概率的大小的粒子与支持向量机SVR的惩罚参数C、核参数g的大小的粒子的位置、速度和迭代次数分别进行初始化:2)计算种群中每个粒子的适应度函数值;根据所述适应度函数值进行交叉和变异操作,产生新一代种群;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...
【专利技术属性】
技术研发人员:刘晓明,任宇朋,陈海,姜文涛,
申请(专利权)人:河北工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。