[發(fā)明專利]一種基于LSTM-SVR的超級電容器剩余使用壽命預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202210572695.5
• 申請日: 2022-05-25
• 公開（公告）號: CN114781277A
• 公開（公告）日: 2022-07-22
• 發(fā)明（設(shè)計(jì)）人: 劉曉明;任宇朋;陳海;姜文濤
• 申請（專利權(quán)）人: 河北工業(yè)大學(xué)
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F119/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于LSTM?SVR的超級電容器剩余使用壽命預(yù)測方法，包括改進(jìn)粒子群算法IPSO分別優(yōu)化LSTM和支持向量機(jī)SVR，計(jì)算LSTM的隱藏層單元的數(shù)量與隨機(jī)失活Dropout概率和SVR的懲罰參數(shù)與核參數(shù)的最優(yōu)解；所述的最優(yōu)解作為LSTM和SVR的最優(yōu)參數(shù)，并分別對LSTM和SVR進(jìn)行訓(xùn)練；根據(jù)以訓(xùn)練好的LSTM和SVR的訓(xùn)練容量預(yù)測值與超級電容器容量實(shí)際值誤差平方和最小為準(zhǔn)則，利用最小二乘法計(jì)算LSTM與SVR預(yù)測模型的權(quán)重系數(shù)，建立LSTM?SVR組合預(yù)測模型并對超級電容器剩余壽命進(jìn)行預(yù)測。本發(fā)明的預(yù)測方法通過IPSO算法尋求LSTM和SVR的最優(yōu)參數(shù)，并且結(jié)合LSTM算法時(shí)序性強(qiáng)，能夠充分挖掘歷史數(shù)據(jù)的規(guī)律與SVR算法非線性映射和小樣本學(xué)習(xí)的優(yōu)勢兩者的優(yōu)點(diǎn)，能夠更加準(zhǔn)確的預(yù)測超級電容剩余使用壽命。

本發(fā)明發(fā)明涉及超級電容器技術(shù)領(lǐng)域，尤其涉及到一種基于LSTM-SVR的超級電容器的剩余使用壽命預(yù)測方法

背景技術(shù)

相比于傳統(tǒng)的化學(xué)電源，超級電容器既具有電容器快速充放電的特性，同時(shí)又具有電池的儲(chǔ)能特性，具有功率密度高、充放電速度快、循環(huán)穩(wěn)定性高、工作溫度范圍寬等優(yōu)勢，是一種高效、實(shí)用、環(huán)保的新型儲(chǔ)能元件。因此，超級電容器在國防、新型能源汽車、電力以及交通運(yùn)輸?shù)确矫娴膽?yīng)用十分廣泛。

超級電容器的壽命影響著應(yīng)用設(shè)備和系統(tǒng)的安全性和可靠性，所以準(zhǔn)確預(yù)測超級電容器剩余使用設(shè)壽命，為超級電容器的預(yù)測性維護(hù)、維修及優(yōu)化提供支撐信息，是提高系統(tǒng)的可靠性和安全性的保障。

目前，基于數(shù)據(jù)驅(qū)動(dòng)的超級電容器壽命預(yù)測方法不需要對超級電容器進(jìn)行物理建模，旨在模擬測量數(shù)據(jù)與組件退化之間的關(guān)系而無需詳細(xì)研究內(nèi)部化學(xué)物質(zhì)的變化和副反應(yīng)的干擾。因此，基于數(shù)據(jù)驅(qū)動(dòng)的超級電容器壽命預(yù)測方法較為方便，但是如何提高超級電容器剩余壽命預(yù)測精度，這將成為超級電容器應(yīng)用技術(shù)的研究重點(diǎn)。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供了一種基于LSTM-SVR的超級電容器的剩余使用壽命預(yù)測方法，基于長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)LSTM和支持向量機(jī)SVR算法相結(jié)合，根據(jù)超級電容器循環(huán)壽命測試實(shí)驗(yàn)所得老化狀態(tài)數(shù)據(jù)進(jìn)行超級電容器剩余使用壽命預(yù)測。將遺傳算法GA的交叉、變異操作引入粒子群算法PSO，計(jì)算LSTM的隱藏層單元數(shù)量、隨機(jī)失活Dropout概率和SVR的懲罰參數(shù)C、核參數(shù)g的最優(yōu)解，提高了參數(shù)選擇的效率。對選擇最優(yōu)參數(shù)的LSTM和SVR算法進(jìn)行訓(xùn)練學(xué)習(xí)，以訓(xùn)練好的LSTM和SVR的訓(xùn)練預(yù)測值與超級電容容量實(shí)際值的誤差平方和達(dá)到最小為準(zhǔn)則，采用最小二乘法確定權(quán)重后得到LSTM-SVR組合模型并預(yù)測超級電容器的剩余使用壽命。該預(yù)測方法LSTM算法時(shí)序性強(qiáng)，能夠充分挖掘歷史數(shù)據(jù)的規(guī)律，其缺點(diǎn)是要求樣本的數(shù)量多；SVR算法具有非線性映射和小樣本學(xué)習(xí)的優(yōu)勢，但時(shí)序性差。因此LSTM-SVR組合模型結(jié)合兩者的優(yōu)勢，提高了預(yù)測精度且具有廣泛的適用性。

技術(shù)方案

第一方面，本發(fā)明實(shí)施例提供了一種基于LSTM-SVR的超級電容器剩余使用壽命預(yù)測方法，所述方法步驟包括：

步驟1：模擬實(shí)際工況下超級電容器的工作方式，對超級電容器進(jìn)行循環(huán)壽命測試；

步驟2：將IPSO算法分別優(yōu)化長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)LSTM與支持向量機(jī) SVR，計(jì)算LSTM的隱藏層單元數(shù)量和隨機(jī)失活Dropout概率的最優(yōu)解與支持向量機(jī)SVR的懲罰參數(shù)C和核參數(shù)g的最優(yōu)解；

步驟3：根據(jù)所述的LSTM的隱藏層單元數(shù)量和隨機(jī)失活Dropout概率的最優(yōu)解作為LSTM的最優(yōu)參數(shù)，對LSTM進(jìn)行訓(xùn)練；

步驟4：根據(jù)所述的支持向量機(jī)SVR的懲罰參數(shù)C和核參數(shù)g的最優(yōu)解作為SVR的最優(yōu)參數(shù)，對SVR進(jìn)行訓(xùn)練

步驟5：利用最小二乘法分配權(quán)重系數(shù)，建立LSTM-SVR組合預(yù)測模型并對超級電容器的剩余使用壽命進(jìn)行預(yù)測。

進(jìn)一步而言，所述的實(shí)際工況可以是任意一種超級電容器的工作場景，本發(fā)明實(shí)施例中選用的是應(yīng)用于NB網(wǎng)絡(luò)大電流脈沖通信場景。