CN110750852B

CN110750852B - 一种超级电容器的剩余使用寿命预测方法、装置及电子设备

Info

Publication number: CN110750852B
Application number: CN201910737649.4A
Authority: CN
Inventors: 王凯; 黄一诺; 周艳婷; 张明; 李立伟; 刘含筱; 李西
Original assignee: Qingdao University
Current assignee: Qingdao University
Priority date: 2019-08-12
Filing date: 2019-08-12
Publication date: 2023-10-17
Anticipated expiration: 2039-08-12
Also published as: CN110750852A

Abstract

本申请实施例公开了一种超级电容器的剩余使用寿命预测方法、装置及电子设备，所述方法包括将混合遗传算法HGA与长短时记忆神经网络LSTM相结合，计算LSTM的隐藏层单元数量和随机失活Dropout概率的最优解；将所述最优解作为LSTM的隐藏层单元的数量和Dropout概率的大小，对LSTM进行训练；采用训练好的LSTM对超级电容器的剩余使用寿命进行预测。采用本申请实施例所提供的技术方案具有以下优点：由于超级电容器的实验数据是基于时间序列的，而LSTM易于学习长期依赖，是一种适应时间序列较好的神经网络将混合遗传算法HGA与长短时记忆神经网络LSTM相结合，为LSTM设计适当的网络参数，即寻求隐藏层单元数量和随机失活Dropout概率的最优解。

Description

一种超级电容器的剩余使用寿命预测方法、装置及电子设备

技术领域

本申请涉及超级电容器技术领域，特别是涉及一种超级电容器的剩余使用寿命预测方法、装置及电子设备。

背景技术

超级电容器是指介于传统电容器和充电电池之间的一种新型储能装置，它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，是一种高效、实用、环保的新型储能元件。

超级电容器单体电压和能量密度较低，在大规模储能系统中需要大量单体串并联组合工作，但是超级电容器存在单体参数不一致的问题，这将导致模块内部温度分布不均以及单体之间充电电压不均衡，上述一系列问题共同作用于超级电容器的老化过程。当超级电容器以模块成组的形式作为复杂电子系统的电源或者辅助电源系统的时候，其剩余使用寿命(Remaining Useful Life，RUL)将直接影响着整个系统的可靠性和安全性。

因此，研究超级电容器的老化特征，预测其老化趋势进而估算它的RUL，这将成为超级电容器应用技术的研究重点之一。

发明内容

本申请实施例中提供了一种超级电容器的剩余使用寿命预测方法、装置及电子设备，以满足现有技术中超级电容器剩余使用寿命预测的需求。

第一方面，本申请实施例提供了一种超级电容器的剩余使用寿命预测方法，所述方法包括：

将混合遗传算法HGA与长短时记忆神经网络LSTM相结合，计算LSTM的隐藏层单元数量和随机失活Dropout概率的最优解；

将所述最优解作为LSTM的隐藏层单元的数量和Dropout概率的大小，对LSTM进行训练；

采用训练好的LSTM对超级电容器的剩余使用寿命进行预测。

优选地，所述将混合遗传算法HGA与长短时记忆神经网络LSTM相结合，计算LSTM的隐藏层单元数量和随机失活Dropout概率的最优解，包括：

对染色体进行编码，初始化种群,所述染色体用于表征长短时记忆神经网络LSTM的隐藏层单元的数量和随机失活Dropout概率的大小；

计算种群中每个染色体的适应度函数值；

根据所述适应度函数值进行选择、交叉和变异操作，产生新一代种群；

将所述新一代种群作为初始值，采用序列二次规划SQP算法进行局部寻优，将SQP算法寻优所得的结果作为新一代种群；

判断是否满足终止条件，若不满足终止条件，则重新计算种群中每个染色体的适应度函数值；

若满足终止条件，则根据当前种群中每个染色体的适应度函数值，确定最优染色体，所述最优染色体对应LSTM的隐藏层单元的数量和Dropout概率的大小的最优解。

优选地，所述计算种群中每个染色体的适应度函数值，具体为：

将LSTM的均方根误差RMSE作为适应度函数，计算种群中每个染色体的适应度函数值。

优选地，所述终止条件为迭代次数。

第二方面，本申请实施例提供了一种超级电容器的剩余使用寿命预测装置，包括：

最优解计算模块，用于采用混合遗传算法HGA计算长短时记忆神经网络LSTM的隐藏层单元的数量和随机失活Dropout概率的大小的最优解；

训练模块，用于将所述最优解作为LSTM的隐藏层单元的数量和Dropout概率的大小，对LSTM进行训练；

预测模块，用于采用训练好的LSTM对超级电容器的剩余使用寿命进行预测。

优选地，所述最优解计算模块，包括：

编码模块，用于对染色体进行编码，初始化种群,所述染色体用于表征长短时记忆神经网络LSTM的隐藏层单元的数量和随机失活Dropout概率的大小；

适应度计算模块，用于计算种群中每个染色体的适应度函数值；

遗传算法模块，用于根据所述适应度函数值进行选择、交叉和变异操作，产生新一代种群；

序列二次规划算法模块，用于将所述新一代种群作为初始值，采用序列二次规划SQP算法进行局部寻优，将SQP算法寻优所得的结果作为新一代种群；

判断模块，用于判断是否满足终止条件，若不满足终止条件，则重新计算种群中每个染色体的适应度函数值；

确定模块，用于若满足终止条件，则根据当前种群中每个染色体的适应度函数值，确定最优染色体，所述最优染色体对应LSTM的隐藏层单元的数量和Dropout概率的大小的最优解。

优选地，所述适应度计算模块，具体用于：

优选地，所述终止条件为迭代次数。

第三方面，本申请实施提供了一种电子设备，包括：

处理器；

用于存储处理器的执行指令的存储器；

其中，所述处理器被配置为执行上述第一方面任一项所述的方法。

采用本申请实施例提供的技术方案具有以下优点：

1、由于超级电容器的实验数据是基于时间序列的，而LSTM易于学习长期依赖，是一种适应时间序列较好的神经网络。

2、将混合遗传算法HGA与长短时记忆神经网络LSTM相结合，为LSTM设计适当的网络参数，即寻求隐藏层单元数量和随机失活Dropout概率的最优解，HGA是指将SQP和GA算法相结合，通过GA快速收敛到局部最优解的附近区域，将SQP作为遗传算法GA的一个局部搜索算子，增强算法的局部搜索能力。

3、选择RMSE作为HGA的适应度函数。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种LSTM的结构示意图；

图2为本申请实施例提供的一种超级电容器的剩余使用寿命预测方法的流程示意图；

图3为本申请实施例提供的一种HGA-LSTM算法的流程示意图；

图4a-4c为本申请实施例提供的一种超级电容器SC7的实验结果示意图；

图5a-5c为本申请实施例提供的一种超级电容器SC11的实验结果示意图；

图6a-6c为本申请实施例提供的一种超级电容器SC16的实验结果示意图；

图7为本申请实施例提供的一种基于LSTM、GA-LSTM、HGA-LSTM的RUL预测RMSE误差图；

图8为本申请实施例提供的一种基于LSTM、GA-LSTM、HGA-LSTM的R²分布图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

首先，对本申请可能涉及到的术语进行如下解释：

RUL，Remaining Useful Life，剩余使用寿命；

LSTM，Long Short-Term Memory，长短时记忆神经网络；

GA，Genetic Algorithm，遗传算法；

HGA，Hybrid Genetic Algorithm，混合遗传算法；

SQP，sequence quadratic program，序列二次规划；

RMSE，Root Mean Squard Error，均方根误差；

MAE，Mean Absolute Deviation，平均绝对误差；

R²，the coefficient of determination，R平方。

当前对超级电容器的剩余使用寿命预测方法主要包括两种：一种是通过模拟超级电容器的内部老化机理进行预测；另一种是依赖大量的数据，通过神经网络模型进行预测。

在本申请实施例中，通过神经网络模型对超级电容器的RUL进行预测。在众多的神经网络工具中，申请人发现，由于超级电容器的实验数据是基于时间序列的，而LSTM易于学习长期依赖，是一种适应时间序列较好的神经网络，因此，在本申请实施例中，采用LSTM对超级电容器的RUL进行预测。

图1为本申请实施例提供的一种LSTM的结构示意图，下面结合图1，对本申请实施例提供的LSTM的工作原理进行详细说明。

首先，每一个时刻都有一个输出h和单元状态C，在下一个时刻，把上一时刻的输出h_t-1和这一时刻的输入x_t作为整体，当作单元状态的输入，同时也是控制三个门的输入。然后要经过一个遗忘门f_t，通过激活函数sigmoid函数得到遗忘门的输出，在0到1之间，如果遗忘门的输出结果接近0，表示尽量忘掉上一个时刻的输出，而接近1表示进行记忆。遗忘门f_t的数学表达式参见公式一。

公式一：

f_t＝σ(W_fh_t-1U_fx_t])+b_f

输入门负责处理当前序列位置的输入，由两部分组成，第一部分使用了sigmoid激活函数，输出为i_t，第二部分使用了tanh激活函数，输出为当前记忆a_t，两者的结果相乘再去更新单元状态。i_t和a_t的数学表达式参见公式二和公式三。

公式二：

i_t＝σ(W_ih_t-1+U_ix_t+b_i)

公式三：

a_t＝tanh(W_ah_t-1+U_ax_t+b_a)

前面的遗忘门和输入门的结果都会作用于单元状态，C_t由两部分组成，第一部分是遗忘门f_t与长期记忆C_t-1的乘积，第二部分是输入门i_t与当前记忆a_t的乘积。C_t的数学表达式参见公式四。

公式四：

其中，符号表示Hadamard积。

单元状态完成了从t-1到t时刻的更新，将输出门o_t和tanh激活后的单元状态相乘，结果就是t时刻的输出h_t。o_t和h_t的数学表达式参见公式五和公式六。

公式五：

ο_t＝σ(W_oh_t-1+U_ox_t+b_o)

公式六：

上文提到的sigmoid激活函数和tanh激活函数分别为参见公式七和公式八。

公式七：

公式八：

在LSTM中，通常，使用更多的隐藏单元可以更好地更新权重，但也意味着更大的计算量和更长的训练时间，所以隐藏单元个数并非越多越好，而是要与数据集的数量相适应。另外，由于LSTM更易于学习长期依赖，为了防止梯度消失和爆炸，选择适当的随机失活Dropout概率，可以有效地避免数据的过拟合问题。良好的Dropout概率可以很好地防止过拟合，但是Dropout概率太低会产生欠拟合，太高则失去了添加该层的意义。因此，为了实现预测模型的良好性能，需要测试最优的模型参数，其中隐藏层单元数量和Dropout概率是关键因素。

基于此，本申请实施例提供了一种基于HGA优化的LSTM，以寻求超级电容器寿命预测模型的最佳隐藏层单元数量和Dropout概率。

图2为本申请实施例提供的一种超级电容器的剩余使用寿命预测方法的流程示意图，如图2所示，其主要包括以下步骤。

步骤S201：将混合遗传算法HGA与长短时记忆神经网络LSTM相结合，计算LSTM的隐藏层单元数量和随机失活Dropout概率的最优解；

步骤S202：将所述最优解作为LSTM的隐藏层单元的数量和Dropout概率的大小，对LSTM进行训练；

步骤S203：采用训练好的LSTM对超级电容器的剩余使用寿命进行预测。

与其他神经网络模型一样，LSTM有许多必须由研究人员修改的参数，但是，由于时间和计算量的限制，无法扫描参数空间并找到最佳参数集。通常情况下，这些控制参数的确定在很大程度上取决于研究人员的经验。

在本申请实施例中，将混合遗传算法HGA与长短时记忆神经网络LSTM相结合，为LSTM设计适当的网络参数，即寻求隐藏层单元数量和随机失活Dropout概率的最优解。在获得隐藏层单元数量和随机失活Dropout概率的最优解后，将所述最优解作为LSTM的隐藏层单元的数量和Dropout概率的大小，采用训练数据集对LSTM进行训练，进而通过训练好的LSTM对超级电容器的剩余使用寿命进行预测。

以下结合图3对上述步骤S201，即混合遗传算法HGA与长短时记忆神经网络LSTM相结合，计算LSTM的隐藏层单元数量和随机失活Dropout概率的最优解的过程进行详细说明。

图3为本申请实施例提供的一种HGA-LSTM算法的流程示意图，如图3所示，其主要包括以下步骤。

步骤S301：对染色体进行编码，初始化种群,所述染色体用于表征长短时记忆神经网络LSTM的隐藏层单元的数量和随机失活Dropout概率的大小。

在遗传算子开始探索之前，对群体进行随机值初始化。在本申请实施例中，使用二进制进行染色体编码，该染色体编码用于表示长短时记忆神经网络LSTM的隐藏层单元的数量和随机失活Dropout概率的大小。

在本申请一种可选实施例中，可以将种群的大小设置为50。

步骤S302：计算种群中每个染色体的适应度函数值。

为了计算种群中每个染色体的适应度函数值，首选需要确定HGA的适应度函数。在本申请实施例中，可以将LSTM的RMSE、MAE、R²作为HGA的适应度函数。将RMSE、MAE、R²进行对比发现，由于RMSE对一组测量中的特大或特小误差反映非常敏感，所以，均方根误差能够很好地反映出测量的精密度，因此，在本申请一种优选实施例中，选择LSTM的RMSE作为HGA的适应度函数。相应地，计算种群中每个染色体的适应度函数值即计算种群中每个染色体对应的LSTM的RMSE。

步骤S303：根据所述适应度函数值进行选择、交叉和变异操作，产生新一代种群。

在计算出种群中每个染色体的适应度函数值后，根据所述适应度函数值进行选择、交叉和变异操作，对种群进行优化，产生新一代种群。其中，在LSTM的RMSE作为适应度函数时，染色体对应的RMSE越小越好。

在本申请一种可选实施例中，可以将种群的交叉率设置为0.8，突变率设置为0.01。

步骤S304：将所述新一代种群作为初始值，采用序列二次规划SQP算法进行局部寻优，将SQP算法寻优所得的结果作为新一代种群。

本申请实施例利用GA在解空间内强大的全局寻优能力和SQP优秀的局部搜索能力，使他们优势互补。具体地，在步骤S302中，通过GA将种群进行更新后，将更新后的结果作为初始值，采用序列二次规划SQP算法进行局部寻优，将SQP算法寻优所得的结果作为新一代种群。

步骤S305：判断是否满足终止条件，若满足则进入步骤S306，否则，返回步骤S302。

在本申请一种可选实施例中，可以将种群的迭代次数即代数作为终止条件，例如，将代数设置为100，当达到100时，则满足终止条件，进入步骤S306，否则，返回步骤S302，继续对种群进行迭代更新。

步骤S306：根据当前种群中每个染色体的适应度函数值，确定最优染色体，所述最优染色体对应LSTM的隐藏层单元的数量和Dropout概率的大小的最优解。

在满足终止条件以后，根据当前种群中每个染色体的适应度函数值，确定最优染色体。例如，将当前种群中RMSE的最小值对应的染色体作为最优染色体，相应地，所述最优染色体对应LSTM的隐藏层单元的数量和Dropout概率的大小的最优解。

在本申请实施例中，HGA是指将SQP和GA算法相结合，通过GA快速收敛到局部最优解的附近区域，将SQP作为遗传算法GA的一个局部搜索算子，增强算法的局部搜索能力。

为了便于本领域技术人员更好地理解本申请，下面结合具体实验，采用不同的优化方法和适应度函数，对本申请实施例的技术效果进行辅助说明。

分别通过GA、HGA对LSTM的Dropout概率和隐藏层单元个数进行优化，LSTM的Dropout设为0.80，隐藏层包含200个单元，epoch次数设为200，学习率初始值设为0.005，学习率的下降因子设为0.80，下降周期为100。GA-LSTM优化后的Dropout为0.69，隐藏层包含185个单元。HGA-LSTM优化后的Dropout为0.58，隐藏层包含156个单元。GA-LSTM和HGA-LSTM的其他参数设置与LSTM相同。

本实验方法的基本思想为：将超级电容器测试数据分为训练集和测试集，其中前60％作为训练集，40％作为预测集。将训练好的模型分别用于SC7、SC11的预测，随机选择测试数据未参加过训练的SC16进行预测，然后通过RMSE、MAE、R²评价三种模型的预测效果。

具体实现中，将实验测得的所有超级电容器劣化数据的前60％分别用于训练LSTM、GA-LSTM、HGA-LSTM网络模型，随机选取相同规格不同工况条件下的两个超级电容器SC7、SC11进行容量预测。

SC7测试条件为2.7V，3A，50℃，LSTM、GA-LSTM、HGA-LSTM的实验结果分别如图4a、4b、4c所示，具体误差如表一所示。

图4a显示该超级电容器的训练集和预测集都与实测数据相差较大，整体RMSE误差为0.0408，MAE为0.0320。图4b中训练集和预测集的RMSE分别降低了0.0063和0.0125，预测效果有所提高。从图4c可以看出，预测集与实测数据拟合效果明显较好。与LSTM相比，HGA-LSTM的整体RMSE减少0.0247，R²高达0.9886，说明优化后的LSTM预测准确性有了较大提高。

表一：SC7预测精度

SC11测试条件为2.9V，3A，65℃，LSTM、GA-LSTM、HGA-LSTM的实验结果分别如图5a、5b、5c所示，具体误差如表二所示。

在训练集部分，HGA-LSTM的RMSE低至0.0194，拟合效果最好；在预测集部分，LSTM和GA-LSTM的RMSE比HGA-LSTM高出0.0156、0.0225，明显不如HGA-LSTM精度高。从图5c可以看出，HGA-LSTM的误差大部分都在x坐标轴附近，浮动较小。HGA-LSTM的整体预测精度比GA-LSTM提高了0.0179，比LSTM提高了0.0234，MAE最低，R²更接近于1，证明HGA优化后的LSTM在超级电容器的RUL预测中表现出优异性能。

表二：SC11预测精度

另外，为了验证其泛化能力，将LSTM、GA-LSTM、HGA-LSTM分别用于未参加训练的离线数据进行预测，选择SC16数据集进行预测，计算与实测数据的误差，比较不同模型的预测精度和鲁棒性能。

SC16测试条件为2.7V，3A，25℃，其预测结果如图6所示，具体误差如表三所示。图6a是基于LSTM的RUL预测结果，可以看出整体的误差起伏较大，MAE为0.0385，预测数据明显偏离实测数据。图6b是基于GA-LSTM的RUL预测结果，较LSTM有了一定的改善。图6c是基于HGA-LSTM的实验结果，明显看出，数据拟合效果较好，RMSE比LSTM减少0.0242，比GA-LSTM减少0.0181，R²达到0.9993，说明整体预测误差较小且稳定性较高。

表三：SC16预测精度

经过CPU型号为Intel i7 7700的上位机(desktop)对实验数据进行训练，不同的超级电容器应用LSTM、GA-LSTM、HGA-LSTM的具体误差如表四所示，从表四可以看出，基于HGA-LSTM的RUL预测的RMSE最小且R²更接近于1，表明预测精度较高，稳定性较好。另外，LSTM、GA-LSTM、HGA-LSTM的最佳训练时间分别是8751s、6443s、3550s，可以看出HGA-LSTM的训练时间最短，说明收敛速度较快。尤其在对SC16离线数据的预测上，HGA-LSTM的预测精度明显提高，反映出HGA-LSTM具有较强的适用性和泛化能力。

表四：不同超级电容器的具体误差比较

图7为本申请实施例提供的一种基于LSTM、GA-LSTM、HGA-LSTM的RUL预测RMSE误差图，在图7列出了三个超级电容器采用三种不同方法的预测误差，通常认为RMSE越小表示预测越精确。尽管不同的超级电容器预测效果不同，但是从整体上来看，HGA-LSTM的RMSE最小，表明基于HGA-LSTM的预测精度最高。

为了直观比较三种方法的性能，基于LSTM、GA-LSTM、HGA-LSTM的RUL预测RMSE误差图和R²分布图分别如图6和图7所示。图6列出了三个超级电容器采用三种不同方法的预测误差，通常认为RMSE越小表示预测越精确。尽管不同的超级电容器预测效果不同，但是从整体上来看，HGA-LSTM的RMSE最小，表明基于HGA-LSTM的预测精度最高。

图8为本申请实施例提供的一种基于LSTM、GA-LSTM、HGA-LSTM的R²分布图，值越接近于1表明该方法鲁棒性越高，图中可以看出，HGA-LSTM预测的三个超级电容器的R²比LSTM、GA-LSTM都更接近于1，证明HGA-LSTM的性能更加优异。

基于上述方法实施例，本申请还提供了一种超级电容器的剩余使用寿命预测装置，该装置包括：

在一种可选实施例中，所述最优解计算模块，包括：

在一种可选实施例中，所述适应度计算模块，具体用于：

在一种可选实施例中，所述终止条件为迭代次数。

与上述方法实施例相对应，本申请还提供了一种电子设备。所述电子设备可以包括：处理器、存储器及通信单元。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本申请的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

其中，所述通信单元，用于建立通信信道，从而使所述存储设备可以与其它设备进行通信。接收其他设备发送的数据或者向其他设备发送数据。

所述处理器，为存储设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子设备的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit，简称IC)组成，例如可以由单颗封装的IC所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器可以仅包括中央处理器(CentralProcessing Unit，简称CPU)。在本申请实施方式中，CPU可以是单运算核心，也可以包括多运算核心。

所述存储器，用于存储处理器的执行指令，存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

当存储器中的执行指令由处理器执行时，使得电子设备能够执行上述方法实施例中的部分或全部步骤。

具体实现中，本申请还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本申请提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：ROM)或随机存储记忆体(英文：random access memory，简称：RAM)等。

本领域的技术人员可以清楚地了解到本申请实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于装置和电子设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。

以上所述的本申请实施方式并不构成对本申请保护范围的限定。

Claims

1.一种超级电容器的剩余使用寿命预测方法，其特征在于，包括：

采用训练好的LSTM对超级电容器的剩余使用寿命进行预测；

其中，将混合遗传算法HGA与长短时记忆神经网络LSTM相结合，计算LSTM的隐藏层单元数量和随机失活Dropout概率的最优解，包括：

计算种群中每个染色体的适应度函数值；

若满足终止条件，则根据当前种群中每个染色体的适应度函数值，确定最优染色体，所述最优染色体对应LSTM的隐藏层单元的数量和Dropout概率的大小的最优解；

所述计算种群中每个染色体的适应度函数值，具体为：

将LSTM的均方根误差RMSE作为适应度函数，计算种群中每个染色体的适应度函数值；

所述终止条件为迭代次数。

2.一种超级电容器的剩余使用寿命预测装置，其特征在于，包括：

预测模块，用于采用训练好的LSTM对超级电容器的剩余使用寿命进行预测；

所述最优解计算模块，包括：

确定模块，用于若满足终止条件，则根据当前种群中每个染色体的适应度函数值，确定最优染色体，所述最优染色体对应LSTM的隐藏层单元的数量和Dropout概率的大小的最优解；

所述适应度计算模块，具体用于：将LSTM的均方根误差RMSE作为适应度函数，计算种群中每个染色体的适应度函数值；

所述终止条件为迭代次数。

3.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器的执行指令的存储器；

其中，所述处理器被配置为执行权利要求1所述的方法。