CN111414709A - 一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法 - Google Patents
一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法 Download PDFInfo
- Publication number
- CN111414709A CN111414709A CN202010291123.0A CN202010291123A CN111414709A CN 111414709 A CN111414709 A CN 111414709A CN 202010291123 A CN202010291123 A CN 202010291123A CN 111414709 A CN111414709 A CN 111414709A
- Authority
- CN
- China
- Prior art keywords
- neural network
- capacitance
- early
- cycle
- cycle life
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 239000003990 capacitor Substances 0.000 title claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007600 charging Methods 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法,包括如下步骤:对超级电容器进行恒流充放电循环测试步骤;根据现有电容与额定电容的比值来定义寿命的步骤;建立回归误差评价体系的步骤;选取不同阈值,以得到不同成本下的不同精度结果的模型;选取与电压降、电容、IRdrop相关的物理量作为特征,以及由这些物理量进一步衍生出的特征;将上一步中得到的特征作为输入,使用人工神经网络进行模型调整超参数,以及训练并预测。以建立模型简单、精度高、速度快、灵活性强的早期循环寿命预测模型。
Description
技术领域
本发明属于超级电容器技术领域,特别涉及超级电容器循环寿命和容量衰减的早期预测方法。
背景技术
超级电容器是近年来迅速发展的一种新型储能器件,被广泛应用于各种领域。通常而言,超级电容器在一个系统中扮演着储能、控制的角色,一旦因为内部因素或外部因素而导致其老化乃至失效,整个系统的平稳运行可能会受到威胁,从而造成不可预料的安全问题。因此,监测超级电容器的工作状况,并精确地评估其使用寿命能够降低事故发生的概率,进一步保障系统平稳、安全地运行具有重要意义。
技术层面上,目前针对超级电容器(等储能器件)的寿命预测可以分为两大类。第一类模型是传统的机理驱动的模型,该类模型从超级电容器的物理结构和充放电机理出发,结合不同的物理模型和过滤器以实现数据的追踪和预测。然而,该类模型要求研究人员或使用者对超级电容器的机理有充分的理解,并且这种方法只适用于小批量的超级电容器寿命预测,在大规模应用场景中有一定的局限性。
现有技术中存在如下缺点:
1、预测精度不高,或是在预测精度高的情况下需要较大的早期循环数;
2、对超级电容器的专业领域知识要求高;
3、以复杂的数学模型模拟超级电容器的充放电过程,模型较为复杂;
4、预测缓慢,在大规模应用场景中有局限性。
发明内容
本发明提供一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法,以建立模型简单、精度高、速度快、灵活性强的早期循环寿命预测模型。
本发明的目的是这样实现的:一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法,包括如下步骤:
S1、对超级电容器进行恒流充放电循环测试步骤;
S2、根据现有电容与额定电容的比值来定义寿命的步骤;
S3、建立回归误差评价体系的步骤;
S4、选取不同阈值,以得到不同成本下的不同精度结果的模型;
S5、选取与电压降、电容、IRdrop相关的物理量作为特征,以及由这些物理量进一步衍生出的特征;
S6、将步骤S5中得到的特征作为输入,使用人工神经网络进行模型调整超参数,以及训练并预测。
进一步地,还包括步骤S7,重复步骤S4-S6,选取不同的相关系数阈值得到不同的早期循环数。
进一步地,步骤S1中,以等间隔1秒的时间间隔记录电压、电流、温度。
进一步地,步骤S4中,基于训练集,建立不同循环中电压降与寿命的对数、电容与寿命的对数之间的线性关系,用皮尔逊相关系数进行描述;根据精度需求,选择合适的皮尔逊相关系数阈值,并以此定义早期循环。
进一步地,步骤S6中,通过网格搜索和K折交叉验证,选取在训练集上表现最好的模型,用测试集进行测试。
进一步地,不同循环中电压降是每个循环开始放电10秒至20秒内的电压降。
进一步地,步骤S5中的电容是指每个循环的平均放电电容。
本发明的有益效果包括:
1、模型简单;
2、对超级电容器领域的专业知识要求少;
3、预测迅速,数据集一旦建立,可对新样本进行快速预测,能胜任大规模预测的任务;
4、精度高且灵活,在相同的测试成本下,精度相对较高,也可根据实际的需求平衡成本和预测精度的关系。
附图说明
图1是两种超级电容器循环测试的电压-电流曲线,其中,(a)恒定电流充放电,(b)变化的电流充电、恒定电流放电;
图2是基于电容和电压降作为特征的对应的相关系数作为循环的函数,深色曲线和浅色曲线分别代表以电压降作为特征时的相关系数和以电容作为特征时的相关系数;
图3是循环寿命的对数和第500个循环在不同时间段(大小为10秒)的电压降之间的线性关系演变过程;
图4是随机选择的一块超级电容器放电电容作为循环的函数,除此之外,使用幂函数进行拟合,拟合的数据流分别包括前657个循环的电容数据和前10,000个循环的电容数据,竖虚线表示第657个循环。
图5是运用人工神经网络的示意图。
具体实施方式
结合图1-5对本实施例作进一步说明。
(1)对超级电容器进行恒流充放电循环测试,其电压-电流曲线如图1所示(也可以进行其他条件下的循环充放电测试),并以等间隔1秒的时间间隔记录电压、电流、温度等物理量。
(2)根据电容保持率定义寿命,即根据现有电容与额定电容的比值来定义寿命,根据实际衰减情况可以作适当调整,优选80%。
(3)建立回归误差评价体系,优选均方根误差(RMSE)和平均误差百分比(MAPE),或是相对均方根误差和平均误差百分比的调和平均数,也即F误差,其可以描述为:
其中,rRMSE为相对均方根误差。按照比例随机划分训练集和测试集,训练集用于训练和验证,测试集用于测试。优选4:1或3:1的训练测试比。
(4)基于训练集,建立不同循环中电压降(每个循环开始放电10秒至20秒内的电压降)与寿命的对数、电容(每个循环的平均放电电容)与寿命的对数之间的线性关系,用皮尔逊相关系数进行描述。根据精度需求,选择合适的皮尔逊相关系数阈值,并以此定义早期循环。优选相关系数为0.9时的早期循环。图2表示了每个循环的电压降、电容分别和循环寿命作为目标值所得到的相关系数随着循环数增加而变化的趋势,其中ρ1是电压降与循环寿命相关系数的趋势,而ρ2是电容和循环寿命相关系数的趋势。在选定|ρ|=0.9的情况下,我们可以确定早期循环数为657。通过这种选取早期循环的办法,可以平衡成本和精度。
(5)选取第657个循环的电容作为特征1,选取第657个循环的10至20秒的电压降作为特征2(如图3),选取第657个循环0至10秒的电压降和IR drop两者之和作为特征3,利用幂函数函数(例如y=ax^b,也可以是对数族函数)对衰减曲线进行拟合,所得的参数a和b作为特征4和特征5,图4是用幂函数拟合衰减曲线的样例。最终基于这些特征构建神经网络模型。
(6)神经网络选用人工神经网络。该神经网络理论上能够拟合任何函数,因此能够适应类似于超级电容器这样的非线性系统。其具体结构和超参数配置可以通过网格搜索或其他超参数搜索方法得到。通过网格搜索和K折交叉验证(K可以取10),选取在训练集上表现最好的模型,用测试集进行测试。人工神经网络的结构如图5所示。
(7)重复步骤(4)-(6),可以选取不同的相关系数阈值得到不同的早期循环数,相关系数的绝对值越小,精度越低,成本越低,反之相关系数的绝对值越大,精度越高,成本越高。
值得说明的是,虽然前述内容已经参考若干具体实施方式描述了本发明创造的精神和原理,但是应该理解,本发明并不限于所公开的具体实施方式,对各方面的划分也不意味着这些方面中的特征不能组合,这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (7)
1.一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法,其特征在于,包括如下步骤:
S1、对超级电容器进行恒流充放电循环测试步骤;
S2、根据现有电容与额定电容的比值来定义寿命的步骤;
S3、建立回归误差评价体系的步骤;
S4、选取不同阈值,以得到不同成本下的不同精度结果的模型;
S5、选取与电压降、电容、IRdrop相关的物理量作为特征,以及由这些物理量进一步衍生出的特征;
S6、将步骤S5中得到的特征作为输入,使用人工神经网络进行模型调整超参数,以及训练并预测。
2.根据权利要求1所述的一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法,其特征在于,还包括步骤S7,重复步骤S4-S6,选取不同的相关系数阈值得到不同的早期循环数。
3.根据权利要求1所述的一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法,其特征在于,步骤S1中,以等间隔1秒的时间间隔记录电压、电流、温度。
4.根据权利要求1所述的一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法,其特征在于,步骤S4中,基于训练集,建立不同循环中电压降与寿命的对数、电容与寿命的对数之间的线性关系,用皮尔逊相关系数进行描述;根据精度需求,选择合适的皮尔逊相关系数阈值,并以此定义早期循环。
5.根据权利要求1所述的一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法,其特征在于,步骤S6中,通过网格搜索和K折交叉验证,选取在训练集上表现最好的模型,用测试集进行测试。
6.根据权利要求4所述的一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法,其特征在于,不同循环中电压降是每个循环开始放电10秒至20秒内的电压降。
7.根据权利要求6所述的一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法,其特征在于,步骤S5中的电容是指每个循环的平均放电电容。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010291123.0A CN111414709A (zh) | 2020-04-14 | 2020-04-14 | 一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010291123.0A CN111414709A (zh) | 2020-04-14 | 2020-04-14 | 一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111414709A true CN111414709A (zh) | 2020-07-14 |
Family
ID=71491962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010291123.0A Pending CN111414709A (zh) | 2020-04-14 | 2020-04-14 | 一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414709A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182981A (zh) * | 2020-10-26 | 2021-01-05 | 易事特集团(河南)有限公司 | 电解电容寿命预测方法、装置、设备及存储介质 |
CN112307638A (zh) * | 2020-11-09 | 2021-02-02 | 中南大学 | 一种电容器寿命估算方法、装置及电子设备 |
CN112462148A (zh) * | 2020-10-29 | 2021-03-09 | 苏州浪潮智能科技有限公司 | 一种透过恒定电流确认电容容量衰退的方法、装置以及设备 |
CN112561025A (zh) * | 2020-12-09 | 2021-03-26 | 安徽诚越电子科技有限公司 | 一种提高铝电解电容使用寿命的方法和装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033182A (zh) * | 2010-12-10 | 2011-04-27 | 北京航空航天大学 | 一种固体钽电解电容器寿命预测方法 |
CN103399281A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于循环寿命退化阶段参数的nd-ar模型和ekf方法的锂离子电池循环寿命预测方法 |
CN104820781A (zh) * | 2015-05-06 | 2015-08-05 | 北京航空航天大学 | 考虑温循载荷顺序加载影响的bga焊点热疲劳寿命预测方法 |
CN106446940A (zh) * | 2016-09-13 | 2017-02-22 | 大连理工大学 | 一种基于支持向量机的超级电容器电容值退化趋势的预测方法 |
CN108535656A (zh) * | 2018-03-22 | 2018-09-14 | 中北大学 | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 |
CN108764568A (zh) * | 2018-05-28 | 2018-11-06 | 哈尔滨工业大学 | 一种基于lstm网络的数据预测模型调优方法及装置 |
WO2019018974A1 (zh) * | 2017-07-24 | 2019-01-31 | 罗伯特·博世有限公司 | 用于对电池容量进行建模和估计的方法及系统 |
CN109828220A (zh) * | 2019-03-21 | 2019-05-31 | 北京理工大学 | 一种锂离子电池健康状态线性评估方法 |
CN110058165A (zh) * | 2017-10-17 | 2019-07-26 | 小利兰·斯坦福大学托管委员会 | 锂离子电池容量衰减和寿命预测的数据驱动模型 |
CN110532726A (zh) * | 2019-09-09 | 2019-12-03 | 北京航空航天大学 | 一种基于贝叶斯校准的涡轮盘最弱环非局部概率寿命评估方法 |
CN110568361A (zh) * | 2019-09-12 | 2019-12-13 | 华中科技大学 | 一种动力电池健康状态的预测方法 |
CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
CN110850319A (zh) * | 2019-11-07 | 2020-02-28 | 北京海博思创科技有限公司 | 电池距离跳水点的循环圈数的估计方法、装置和电子设备 |
-
2020
- 2020-04-14 CN CN202010291123.0A patent/CN111414709A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033182A (zh) * | 2010-12-10 | 2011-04-27 | 北京航空航天大学 | 一种固体钽电解电容器寿命预测方法 |
CN103399281A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于循环寿命退化阶段参数的nd-ar模型和ekf方法的锂离子电池循环寿命预测方法 |
CN104820781A (zh) * | 2015-05-06 | 2015-08-05 | 北京航空航天大学 | 考虑温循载荷顺序加载影响的bga焊点热疲劳寿命预测方法 |
CN106446940A (zh) * | 2016-09-13 | 2017-02-22 | 大连理工大学 | 一种基于支持向量机的超级电容器电容值退化趋势的预测方法 |
WO2019018974A1 (zh) * | 2017-07-24 | 2019-01-31 | 罗伯特·博世有限公司 | 用于对电池容量进行建模和估计的方法及系统 |
CN110058165A (zh) * | 2017-10-17 | 2019-07-26 | 小利兰·斯坦福大学托管委员会 | 锂离子电池容量衰减和寿命预测的数据驱动模型 |
CN108535656A (zh) * | 2018-03-22 | 2018-09-14 | 中北大学 | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 |
CN108764568A (zh) * | 2018-05-28 | 2018-11-06 | 哈尔滨工业大学 | 一种基于lstm网络的数据预测模型调优方法及装置 |
CN109828220A (zh) * | 2019-03-21 | 2019-05-31 | 北京理工大学 | 一种锂离子电池健康状态线性评估方法 |
CN110532726A (zh) * | 2019-09-09 | 2019-12-03 | 北京航空航天大学 | 一种基于贝叶斯校准的涡轮盘最弱环非局部概率寿命评估方法 |
CN110568361A (zh) * | 2019-09-12 | 2019-12-13 | 华中科技大学 | 一种动力电池健康状态的预测方法 |
CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
CN110850319A (zh) * | 2019-11-07 | 2020-02-28 | 北京海博思创科技有限公司 | 电池距离跳水点的循环圈数的估计方法、装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
胡燕双 等: ""基于支持向量机的超级电容器容值预测"", 《电器与能效管理技术》, vol. 2016, no. 3, 31 December 2016 (2016-12-31), pages 42 - 47 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182981A (zh) * | 2020-10-26 | 2021-01-05 | 易事特集团(河南)有限公司 | 电解电容寿命预测方法、装置、设备及存储介质 |
CN112462148A (zh) * | 2020-10-29 | 2021-03-09 | 苏州浪潮智能科技有限公司 | 一种透过恒定电流确认电容容量衰退的方法、装置以及设备 |
CN112307638A (zh) * | 2020-11-09 | 2021-02-02 | 中南大学 | 一种电容器寿命估算方法、装置及电子设备 |
CN112561025A (zh) * | 2020-12-09 | 2021-03-26 | 安徽诚越电子科技有限公司 | 一种提高铝电解电容使用寿命的方法和装置 |
CN112561025B (zh) * | 2020-12-09 | 2022-10-14 | 安徽诚越电子科技有限公司 | 一种提高铝电解电容使用寿命的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414709A (zh) | 一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法 | |
CN111443294B (zh) | 一种锂离子电池剩余寿命间接预测方法及装置 | |
CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
CN108254696B (zh) | 电池的健康状态评估方法及系统 | |
CN110457789B (zh) | 一种锂离子电池剩余寿命预测方法 | |
CN110161425B (zh) | 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法 | |
CN113064093B (zh) | 储能电池荷电状态与健康状态联合估算方法及系统 | |
CN113361197B (zh) | 一种锂电池剩余使用寿命预测方法及系统 | |
CN101504443B (zh) | 一种锂离子电池放电容量的预测方法 | |
CN110703101B (zh) | 一种锂离子电池分区间循环容量衰退预测方法 | |
CN112051511A (zh) | 基于多通道技术的动力电池健康状态的估计方法及系统 | |
CN113406521B (zh) | 一种基于特征分析的锂电池健康状态在线估计方法 | |
CN113030761B (zh) | 一种超大规模储能电站电池健康状态的评估方法及系统 | |
Lu et al. | Modeling discharge characteristics for predicting battery remaining life | |
CN109800446B (zh) | 一种锂离子电池放电过程电压不一致性估计方法及装置 | |
CN115409263A (zh) | 一种基于门控和注意力机制的锂电池剩余寿命预测方法 | |
CN112686380A (zh) | 基于神经网络的梯次动力电芯一致性评估方法和系统 | |
CN112881916A (zh) | 一种锂电池健康状态和剩余可用寿命的预测方法及系统 | |
CN111487532B (zh) | 一种基于层次分析法和熵值法的退役电池筛选方法及系统 | |
CN115270454A (zh) | 电池寿命预测方法及相关设备 | |
CN116930788A (zh) | 一种基于堆叠模型的储能电站锂电池容量估计方法 | |
CN114720899A (zh) | 退役电池梯次利用分选方法及系统、电子设备、存储介质 | |
CN116794516A (zh) | 一种基于算法融合的锂离子电池剩余使用寿命预测方法 | |
CN110728103B (zh) | 一种分段优化的超级电容模组等效电路模型参数辨识方法 | |
CN117330987A (zh) | 基于时间的电池健康状态评估的方法、系统、介质和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |