一种多分数阶积分注意卷积的超级电容剩余寿命分类方法技术

本发明专利技术提出一种多分数阶积分注意卷积的超级电容剩余寿命分类方法，该方法将多分数阶积分方法与变换卷积网络结合，用于超级电容的剩余使用寿命预测。首先，所述方法中的多分数阶积分方法用于处理超级电容的容量数据，捕获超级电容容量数据中的时序依赖关系，同时将多分数阶积分处理后的数据作为注意力机制的输入，增强变化卷积网络长距离的重要特征提取能力。其次，所述方法中变换卷积网络用于挖掘超级电容容量数据中的深层特征。所述多分数阶积分注意卷积的超级电容剩余寿命分类方法能捕捉超级电容充放电容量数据中的时序依赖关系，增强特征提取能力，提高超级电容剩余使用寿命预测准确率。预测准确率。预测准确率。

【技术实现步骤摘要】
一种多分数阶积分注意卷积的超级电容剩余寿命分类方法


[0001]本专利技术属于电力系统、电动汽车、新能源、大数据、人工智能、超级电容领域，涉及一种结合了传统控制领域的人工智能的超级电容剩余寿命分类方法，适用于电网或电动汽车的超级电容剩余使用寿命的预测。

技术介绍

[0002]在进行超级电容剩余使用寿命预测时，超级电容的充放电容量数据因为连续退化的优势被广泛作为超级电容剩余使用寿命预测时的老化参数。在超级电容的退化早期，在充放电循环实验中采样的充放电容量数据，在相邻循环中数据变化不明显，甚至没有变化，导致预测出现误差；同时，当超级电容即将失效时，需要精准的预测，否则预测误差导致失效的超级电容没有及时更换给系统带来损失。
[0003]另外，在超级电容充放电循环实验中采样的充放电容量数据包含很多时序信息，捕捉数据中的时序特征能提高预测的准确率。现有的处理时间序列的网络中长短时记忆网络被广泛应用，长短时记忆网络虽然解决梯度消失和梯度爆炸的问题，但是面对较长的序列依然会很棘手；长短时记忆网络随着网络深度的增加计算费时，消耗大量的计算资源；同时，长本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多分数阶积分注意卷积的超级电容剩余寿命分类方法，其特征在于，将超级电容剩余使用寿命分成寿命区间，进行分类预测，减少在超级电容的退化早期因容量数据变化不明显带来的预测误差，同时在超级电容的退化晚期，在预测即将失效的超级电容剩余使用寿命时，减少因为预测误差给电力系统带来的大规模损失；使用多分数阶积分方法处理在实验中采样的超级电容充放电容量数据，捕获超级电容容量数据中的时序依赖关系，同时将多分数阶积分处理后的数据作为注意力机制的输入，增强变化卷积网络长距离的重要特征提取能力；使用变换卷积网络挖掘数据中的深层特征，增强分类能力；在使用过程中的步骤为：步骤(1)：获取超级电容充放电容量数据，获取方法为：首先在一次完整的充放电循环中每秒记录一次充电容量或者放电容量，得到一个循环的充放电容量数据；然后在一个循环的充放电容量数据中等效采样n次，得到一个循环的充放电容量序列，单个循环的充放电容量序列描述为：A
k
＝[a
1,k
a
2,k
...a
n,k
](1)其中，A
k
为第k次循环时采样的充放电容量序列，k为循环次数的索引序号，a
1,k
、a
2,k
和a
n,k
分别为第k次循环时第1次采样值、第2次采样值和第n次采样值，1、2和n均为采样次数；接着将每连续m次循环的充放电容量序列生成一个采样样本，直到超级电容的剩余使用寿命首次下降到失效阈值；单个采样样本描述为：其中，ω
i
为第i个采样样本，i为样本个数索引序号，a
1,k+1
、a
2,k+1
和a
n,k+1
分别为第k+1次循环时第1次采样值、第2次采样值和第n次采样值，a
1,k+m
‑1、a
2,k+m
‑1和a
n,k+m
‑1分别为第k+m
‑
1次循环时第1次采样值、第2次采样值和第n次采样值，m为循环次数的索引序号；步骤(2)：使用多分数阶积分方法处理步骤(1)中采样的超级电容充放电容量数据样本，所述多分数阶积分处理方法的内容为：对单个采样样本ω
i
中的每一个充放电容量序列进行λ1、λ2、
…
λ
h
阶积分处理，其中，λ1、λ2和λ
h
均为分数阶的阶次，h为进行分数阶计算的总个数，得到多分数阶积分处理后的多分数阶积分特征样本θ
i
：其中，ψ为分数阶离散积分运算函数，ψ(A
k
,λ1)、ψ(A
k
,λ2)和ψ(A
k
,λ
h
)分别为第k次循环中充放电容量序列的λ1、λ2和λ
h
阶积分，ψ(A
k+1
,λ1)、ψ(A
k+1
,λ2)和ψ(A
k+1
,λ
h
)分别为第k+1次循环中充放电容量序列的λ1、λ2和λ
h
阶积分，ψ(A...

【专利技术属性】
技术研发人员：殷林飞，剧文居，卢泉，
申请(专利权)人：广西大学，
类型：发明
国别省市：