一种基于LSTM-SVR的超级电容器剩余使用寿命预测方法技术

本发明专利技术公开了一种基于LSTM

A prediction method of remaining service life of super capacitor based on lstm-svr

【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，计算LSTM的隐藏层单元数量、随机失活Dropout概率和SVR的惩罚参数C、核参数g的最优解，提高了参数选择的效率。对选择最优参数的LSTM和SVR算法进行训练学习，以训练好的LSTM和SVR的训练预测值与超级电容容量实际值的误差平方和达到最小为准则，采用最小二乘法确定权重后得到LSTM
‑
SVR组合模型并预测超级电容器的剩余使用寿命。该预测方法LSTM算法时序性强，能够充分挖掘历史数据的规律，其缺点是要求样本的数量多；SVR算法具有非线性映射和小样本学习的优势，但时序性差。因此LSTM
‑
SVR组合模型结合两者的优势，提高了预测精度且具有广泛的适用性。
[0006]技术方案
[0007]第一方面，本专利技术实施例提供了一种基于LSTM
‑
SVR的超级电容器剩余使用寿命预测方法，所述方法步骤包括：
[0008]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；
[0009]步骤2：将IPSO算法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；
[0010]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；
[0011]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
[0012]步骤5：利用最小二乘法分配权重系数，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。
[0013]进一步而言，所述的实际工况可以是任意一种超级电容器的工作场景，本专利技术实施例中选用的是应用于NB网络大电流脉冲通信场景。
[0014]其中，应用于NB网络大电流脉冲通信场景下的超级电容器具体工况为
[0015]1)0
‑
1.5V为脉冲式充电，1.5
‑
2.7V为恒流式充电，充电电流为600uA
‑
4mA；
[0016]2)充电为全天24h持续充电；
[0017]3)放电情况具体为：正常状态下NB通信，1小时1次，有峰值约50mA 的电流消耗过程，时间约为5
‑
10S，总电量消耗0.3C；NB初始通信状态下，有峰值约500mA的电流消耗过程约为1分钟30秒，总电量消耗约1.2C；
[0018]进一步而言，超级电容器循环寿命测试步骤主要分为
[0019]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；
[0020]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Umin，静置 24h；
[0021]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；
[0022]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；
[0023]进一步而言，所述的超级电容器超级电容器的预充放电处理包括以下步骤：
[0024]1)对超级电容器以500mA的恒流方式充至额定电压U
R
，充放电10次，放电深度为50％；
[0025]2)将超级电容器电压放电至最低电压U
min
，静置5s；
[0026]3)对超级电容器先后以2.3mA脉冲电流的方式将电压充至1.5V，又以2.3mA 恒流方式将电压充至2.7V；
[0027]4)将超级电容器以500mA的恒流方式放电1分30秒，完成超级电容器的预充放电处理；
[0028]进一步而言，所述的超级电容器的循环寿命测试所用的模拟NB网络大电流脉冲通信场景下实际电流进行充放电步骤如下：
[0029]1)对超级电容器先后以2.3mA脉冲电流的方式将电压充至1.5V，又以2.3mA 恒流方式将电压充至2.7V；
[0030]2)将超级电容器以500mA的恒流方式放电10秒；
[0031]进一步而言，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。
[0032]进一步而言，将改进粒子群算法IPSO与长短时记忆神经网络LSTM和支持向量机SVR分别结合，计算LSTM的隐藏层单元数量、随机失活Dropout概率和支持向量机SVR的惩罚参数C、核参数g的最优解，包括：
[0033]1)对用于表征LSTM的隐藏层单元的数量、随机失活Dropout概率的大小和SVR的惩罚参数、核参数大小的粒子的位置、速度和迭代次数进行初始化：
[0034]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；
[0035]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；
[0036]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；
[0037]5)根据公式(1)和公式(2)，更新粒子的速度和位置；
[00本文档来自技高网...

【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：