CN114781277A - 一种基于lstm-svr的超级电容器剩余使用寿命预测方法 - Google Patents
一种基于lstm-svr的超级电容器剩余使用寿命预测方法 Download PDFInfo
- Publication number
- CN114781277A CN114781277A CN202210572695.5A CN202210572695A CN114781277A CN 114781277 A CN114781277 A CN 114781277A CN 202210572695 A CN202210572695 A CN 202210572695A CN 114781277 A CN114781277 A CN 114781277A
- Authority
- CN
- China
- Prior art keywords
- svr
- lstm
- super capacitor
- supercapacitor
- service 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于LSTM‑SVR的超级电容器剩余使用寿命预测方法,包括改进粒子群算法IPSO分别优化LSTM和支持向量机SVR,计算LSTM的隐藏层单元的数量与随机失活Dropout概率和SVR的惩罚参数与核参数的最优解;所述的最优解作为LSTM和SVR的最优参数,并分别对LSTM和SVR进行训练;根据以训练好的LSTM和SVR的训练容量预测值与超级电容器容量实际值误差平方和最小为准则,利用最小二乘法计算LSTM与SVR预测模型的权重系数,建立LSTM‑SVR组合预测模型并对超级电容器剩余寿命进行预测。本发明的预测方法通过IPSO算法寻求LSTM和SVR的最优参数,并且结合LSTM算法时序性强,能够充分挖掘历史数据的规律与SVR算法非线性映射和小样本学习的优势两者的优点,能够更加准确的预测超级电容剩余使用寿命。
Description
本发明发明涉及超级电容器技术领域,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
背景技术
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。
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。
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。
发明内容
本发明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。
技术方案
第一方面,本发明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:
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;
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。
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,本发明实施例中选用的是应用于NB网络大电流脉冲通信场景。
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
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;
2)充电为全天24h持续充电;
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;
进一步而言,超级电容器循环寿命测试步骤主要分为
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Umin,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;
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:
1)对超级电容器以500mA的恒流方式充至额定电压UR,充放电10次,放电深度为50%;
2)将超级电容器电压放电至最低电压Umin,静置5s;
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;
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;
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:
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;
2)将超级电容器以500mA的恒流方式放电10秒;
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。
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:
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:
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;
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;
5)根据公式(1)和公式(2),更新粒子的速度和位置;
vi q+1=vi q+c1k(pi q-xi q)+c2η(gbest-xi q) (1)
xi q+1=xi q+vi q+1 (2)
式中:vi q、xi q、pi q分别为第q次迭代过程中,第i个粒子的速度、当前位置和历史最优位置;c1和c2为学习因子,通常等于1.5;k,η∈[0,1]是在[0,1]区间内均匀分布的伪随机数;vi q+1、xi q+1分别为在第q+1次迭代过程中,第i个粒子的速度、当前位置;
6)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粒子的适应度函数值,重复上2)-5)的操作;
若满足终止条件,则根据当前种群粒子的全局最优位置,确定最优粒子,所述最优粒子对应LSTM的隐藏层单元的数量、Dropout概率的大小和SVR的惩罚参数、核参数大小的最优解。
进一步而言,以训练好的LSTM和SVR的训练容量预测值与超级电容器容量实际值误差平方和最小为准则,利用最小二乘法计算LSTM-SVR组合预测模型的权重系数。
w1+w2=1 w1、w2>0 (4)
其中,将所述的以预测误差平方和达到最小为准则确定系数作为LSTM与 SVR组合预测模型的分配权重,以此获得超级电容器的剩余使用寿命的预测结果。
Y组合=w1YLSTM+w2YSVR (5)
进一步而言,所述计算种群中每个粒子的适应度函数值,具体以将LSTM的均方根误差RMSE和SVR的均方根误差RMSE分别作为相对应的适应度函数,计算种群中每个粒子的适应度函数值。
进一步而言,所述终止条件为迭代次数。
采用本发明实施例设计的技术方方法具有以下优点:
1、超级电容器的老化状态数据是基于时间序列,LSTM算法时序性强,能够充分挖掘历史数据的规律。
2、超级电容器老化过程中的充放电次数、充电时间等输入量与静电容量之间存在非线性关系,SVR算法具有非线性映射和小样本学习的优势。
3、采用改进粒子群算法IPSO分别与长短时记忆神经网络LSTM和支持向量机SVR相结合,为LSTM和SVR单一预测模型计算最优参数,即寻求LSTM 隐藏层单元数量、随机失活Dropout概率和SVR的惩罚参数、核参数的最优解。 IPSO是指将遗传算法GA的交叉变异操作引入粒子群算法中,通过GA的交叉变异操作,避免PSO算法早熟收敛,陷入局部最优解。
4、通过最小二乘法分配权重将LSTM与SVR相结合,结合LSTM序列提取优势和SVR非线性提取优势,弥补了LSTM训练样本多的缺点,也提高了超级电容器剩余使用寿命的预测精度。
附图说明
为了更清楚地说明本发明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是本发明实施例提供的一种在应用于NB网络大电流脉冲通信场景下的超级电容器循环寿命测试流程图;
图2是本发明实施例提供的一种基于IPSO-LSTM-SVR的超级电容器剩余使用寿命预测方法示意流程图;
图3是本发明实施例提供的一种基于IPSO-LSTM的超级电容器剩余使用寿命预测方法示意流程图;
图4是本发明实施例提供的一种基于IPSO-SVR的超级电容器剩余使用寿命预测方法示意流程图;
图5是本发明实施例提供的一种基于IPSO-LSTM、PSO-LSTM的超级电容器剩余使用寿命预测结果图;
图6是本发明实施例提供的一种基于IPSO-SVR、PSO-SVR的超级电容器剩余使用寿命预测结果图;
图7是本发明实施例提供的一种基于IPSO-SVR、IPSO-SVR、 IPSO-LSTM-SVR的超级电容器剩余使用寿命预测结果图;
具体实施方式:
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释本发明的一部分,而非对本发明的限定。为了便于描述,附图中仅示出了与本发明相关的部分而非全部。基于本发明实施例,本领域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,均属于本发明的保护范围内。
如图1所示,本发明实施例提供的一种在应用于NB网络大电流脉冲通信场景下的超级电容器循环寿命测试流程图,其主要包括以下步骤。
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Umin,静置24h;
3)在70℃高温下,使用模拟实际工况电流下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%停止测试,并记录实验过程中的充放电电压、电流、容量以及充放电对应的循环次数等数据;
在以上超级电容器加速老化试验方案下,获取充放电次数、充电时间作为超级电容器剩余使用寿命预测方法的输入量以及超级电容器静电容量为输出量。
图2是本发明实施例提供的一种超级电容器剩余使用寿命预测方法示意流程图,如图2所示,其主要包括以下步骤。
步骤一、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;
步骤二、将所述最优解作为LSTM的隐藏层单元数量、随机失活Dropout 概率的大小和支持向量机SVR的惩罚参数C大小、核参数g的大小,分别对 LSTM和SVR进行训练;
步骤三、采用训练好的LSTM和SVR分别对超级电容器的剩余使用寿命进行预测;
步骤四、以训练好的LSTM和SVR的训练容量预测值与超级电容器容量实际值误差平方和最小为准则,利用最小二乘法计算LSTM-SVR组合预测模型的权重系数。
w1+w2=1 w1、w2>0 (8)
将所述的以预测误差平方和达到最小为准则确定系数作为LSTM与SVR组合预测模型的分配权重,以此获得超级电容器的剩余使用寿命的预测结果。
Y组合=w1YLSTM+w2YSVR (9)
长短时神经网络LSTM和支持向量机SVR有许多必须由研究人员修改的参数,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。
为了获得最优的参数,在本发明实施例中,采用改进粒子群算法IPSO分别与长短时记忆神经网络LSTM和支持向量机SVR相结合,为LSTM和SVR单一预测模型寻求LSTM隐藏层单元数量、随机失活Dropout概率和SVR的惩罚参数、核参数的最优解。将所述最优解作为LSTM的隐藏层单元的数量、Dropout 概率的大小和SVR的惩罚参数、核参数,采用训练数据集分别对LSTM和SVR 进行训练,进而通过训练好的LSTM和SVR单一预测模型的训练预测结果,利用最小二乘法确定权重系数进而构成LSTM-SVR组合预测模型对超级电容器的剩余使用寿命进行预测。
结合图3和图4对上述步骤一,即改进粒子群算法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的最优解的过程做出详细解释。
图3为本发明实施例提供的一种IPSO-LSTM算法的流程示意图,如图3所示,其主要包括以下步骤。
1)对用于表征LSTM的隐藏层单元的数量、随机失活Dropout概率的大小的粒子的位置、速度进行初始化,在本发明一种可选实施例中,可以将种群的大小设置为30,迭代次数设置为30代。
2)计算种群中每个粒子的适应度函数值;
为了计算种群中每个粒子的适应度函数值,首选需要确定IPSO的适应度函数。在本发明一种优选实施例中,选择训练LSTM过程中预测结果与实际值的均方根误差RMSE作为IPSO的适应度函数。为了是预测结果更加精准,因此粒子的适应度函数值越小越好。
3)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;
在本发明一种可选实施例中,可以将种群的交叉率设置为0.75,突变率设置为0.05。
4)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;
5)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;
6)根据公式(10)和公式(11),更新粒子的速度和位置;
vi q+1=vi q+c1k(pi q-xi q)+c2η(gbest-xi q) (10)
xi q+1=xi q+vi q+1 (11)
式中:vi q、xi q、pi q分别为第q次迭代过程中,第i个粒子的速度、当前位置和历史最优位置;c1和c2为学习因子,通常等于1.5;k,η∈[0,1]是在[0,1]区间内均匀分布的伪随机数;vi q+1、xi q+1分别为在第q+1次迭代过程中,第i个粒子的速度、当前位置;
7)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粒子的适应度函数值,重复上2)-6)的操作;
在本发明一种可选实施例中,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30,当达到30时,则满足终止条件,进入8),否则,返回2),继续对种群进行迭代更新。
8)根据当前种群中每个粒子的全局最优位置,确定最优粒子,所述最优粒子对应LSTM的隐藏层单元的数量和Dropout概率的大小的最优解。
在本发明实施例中,IPSO是指将遗传算法GA的交叉变异操作引入粒子群算法中,通过GA的交叉变异操作,避免PSO算法早熟收敛,陷入局部最优解。
图4是本发明实施例提供的一种基于IPSO-SVR的超级电容器剩余使用寿命预测方法示意流程图,如图4所示,其主要包括以下步骤。
1)对用于表征SVR的惩罚参数、核参数的大小的粒子的位置、速度进行初始化,在本发明一种可选实施例中,可以将种群的大小设置为30,迭代次数设置为30代。
2)计算种群中每个粒子的适应度函数值;
为了计算种群中每个粒子的适应度函数值,首选需要确定IPSO的适应度函数。在本发明一种优选实施例中,选择训练SVR过程中预测结果与实际值的均方根误差RMSE作为IPSO的适应度函数。为了是预测结果更加精准,因此粒子的适应度函数值越小越好。
4)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;
在本发明一种可选实施例中,可以将种群的交叉率设置为0.75,突变率设置为0.05。
4)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;
5)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;
6)根据公式(12)和公式(13),更新粒子的速度和位置;
vi q+1=vi q+c1k(pi q-xi q)+c2η(gbest-xi q) (12)
xi q+1=xi q+vi q+1 (13)
式中:vi q、xi q、pi q分别为第q次迭代过程中,第i个粒子的速度、当前位置和历史最优位置;c1和c2为学习因子,通常等于1.5;k,η∈[0,1]是在[0,1]区间内均匀分布的伪随机数;vi q+1、xi q+1分别为在第q+1次迭代过程中,第i个粒子的速度、当前位置;
7)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粒子的适应度函数值,重复上2)-6)的操作;
在本发明一种可选实施例中,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30,当达到30时,则满足终止条件,进入8),否则,返回2),继续对种群进行迭代更新。
9)根据当前种群中每个粒子的全局最优位置,确定最优粒子,所述最优粒子对应SVR的惩罚参数和核参数的大小的最优解。
在本发明实施例中,IPSO是指将遗传算法GA的交叉变异操作引入粒子群算法中,通过GA的交叉变异操作,避免PSO算法早熟收敛,陷入局部最优解。
为了便于本领域技术人员更好地理解本发明,下面结合具体实验和图5、6、 7,对改进粒子群算法与标准粒子群优化预测结果以及LSTM和SVR单一预测结果与LSTM-SVR组合预测结果进行对比分析,以此对本发明实施例的技术效果进行辅助说明。
将超级电容器老化状态数据分为训练集和测试集,其中前65%作为训练集, 35%作为预测集。然后通过均方根误差RMSE、平均绝对误差MAE、相关系数 R2评价预测模型的预测效果。
分别通过IPSO、PSO对LSTM的隐藏层单元个数和Dropout概率进行优化, LSTM的Dropout范围设为[0.01,0.90],隐藏层数量范围[50,300]个单元,epoch 次数设为250,学习率初始值设为0.005,学习率的下降因子设为0.20,下降周期为125。PSO-LSTM优化后的Dropout为0.01,隐藏层包含155个单元。 IPSO-LSTM优化后的Dropout为0.025,隐藏层包含136个单元。PSO-LSTM和 IPSO-LSTM的其他参数设置相同.优化后LSTM单一预测模型预测结果如图5和下表所示:
均方根误差RMSE | 相关系数R | 平均绝对误差MAE | |
PSO-LSTM | 0.063257 | 0.97745 | 0.046811 |
IPSO-LSTM | 0.053832 | 0.98086 | 0.045587 |
同理,分别通过IPSO、PSO对SVR的惩罚参数和核参数大小进行优化,SVR 的惩罚参数范围设为[0.001,100],核参数范围[0.1,1000]。PSO-SVR优化后的惩罚参数为17.044,核参数为1.42。IPSO-SVR优化后的惩罚参数为22.7713,核参数为0.1。PSO-SVR和IPSO-SVR的其他参数设置相同.优化后SVR单一预测模型预测结果如下表和图6所示:
均方根误差RMSE | 相关系数R | 平均绝对误差MAE | |
PSO-SVR | 0.037256 | 0.94393 | 0.032036 |
IPSO-SVR | 0.033294 | 0.98315 | 0.030522 |
对于采用IPSO优化后的LSTM和SVR,以训练集数据进行预测,根据预测结果用最小二乘法以预测误差平方和达到最小为准则确定LSTM-SVR组合预测模型的权重系数w1、w2.通过LSTM-SVR组合预测模型对测试集数据进行预测,其预测结果与单一模型预测结果对比如下表和图7所示:
均方根误差RMSE | 相关系数R | 平均绝对误差MAE | |
IPSO-LSTM | 0.053832 | 0.98086 | 0.045587 |
IPSO-SVR | 0.033294 | 0.98221 | 0.030522 |
IPSO-LSTM_SVR | 0.030752 | 0.99315 | 0.030138 |
注意,上述仅为本发明的具体运用原理。本领域技术人员应理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
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Umin,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;
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;
5)更新粒子的速度和位置;
6)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粒子的适应度函数值,重复上2)-5)的操作;
若满足终止条件,则根据当前种群中每个粒子的适应度函数值,确定最优粒子,所述最优粒子分别对应LSTM的隐藏层单元的数量、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。
6.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,包括:
1)以训练好的LSTM和SVR的训练容量预测值与超级电容器容量实际值误差平方和最小为准则,利用最小二乘法确立组合预测模型权重。
2)根据所述的LSTM-SVR组合预测模型权重建立LSTM-SVR组合预测模型,输入测试集对超级电容器的剩余使用寿命进行预测。
7.根据权利要求3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,所述的超级电容器的预充放电处理包括以下步骤:
步骤一、对超级电容器以500mA的恒流方式充至额定电压UR,充放电10次,放电深度为50%;
步骤二、将超级电容器电压放电至最低电压Umin,静置5s;
步骤三、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;
步骤四、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。
8.根据权利要求3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,所述的超级电容器的循环寿命测试所用的模拟实际电流进行充放电步骤如下:
步骤一、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;
步骤二、将超级电容器以500mA的恒流方式放电10秒。
9.根据权利要求5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,所述的适应度函数用来判断最优种群和最优粒子,本发明中选用长短时记忆神经网络和支持向量机SVR预测的超级电容器容量的预测值与真实值之间的均方根误差作为其适应度函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210572695.5A CN114781277A (zh) | 2022-05-25 | 2022-05-25 | 一种基于lstm-svr的超级电容器剩余使用寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210572695.5A CN114781277A (zh) | 2022-05-25 | 2022-05-25 | 一种基于lstm-svr的超级电容器剩余使用寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114781277A true CN114781277A (zh) | 2022-07-22 |
Family
ID=82408672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210572695.5A Pending CN114781277A (zh) | 2022-05-25 | 2022-05-25 | 一种基于lstm-svr的超级电容器剩余使用寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781277A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171700A (zh) * | 2023-08-10 | 2023-12-05 | 辽宁石油化工大学 | 一种基于深度学习的钻井溢流预测组合模型及模型适时静默更新与迁移学习方法 |
-
2022
- 2022-05-25 CN CN202210572695.5A patent/CN114781277A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171700A (zh) * | 2023-08-10 | 2023-12-05 | 辽宁石油化工大学 | 一种基于深度学习的钻井溢流预测组合模型及模型适时静默更新与迁移学习方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | State of health estimation and remaining useful life prediction for lithium-ion batteries by improved particle swarm optimization-back propagation neural network | |
CN106446940A (zh) | 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 | |
CN112487702A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
Shaheen et al. | Optimal parameter identification of linear and non-linear models for Li-Ion Battery Cells | |
CN111523778A (zh) | 基于粒子群算法和梯度提升树的电网运行安全评估方法 | |
CN109636009B (zh) | 一种建立确定电网线损的神经网络模型的方法和系统 | |
CN110568360B (zh) | 一种基于模糊逻辑算法的锂电池老化诊断方法 | |
CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
CN111859733B (zh) | 一种基于蚁群算法的汽车排气系统可靠性优化方法 | |
CN109815995A (zh) | 一种缺失观测值条件下锂电池剩余寿命预测方法 | |
CN110750852B (zh) | 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 | |
CN112883632B (zh) | 一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法 | |
CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
CN112881914B (zh) | 一种锂电池健康状态预测方法 | |
CN104897992A (zh) | 一种分布式电源扰动分类装置及其在线检测方法 | |
CN110866366A (zh) | 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法 | |
CN114384435A (zh) | 一种基于wsa-lstm算法的新能源汽车动力电池剩余使用寿命自适应预测方法 | |
Fathy et al. | Robust electrical parameter extraction methodology based on Interior Search Optimization Algorithm applied to supercapacitor | |
CN109633449A (zh) | 基于灰色向量机的矿用锂电池寿命预测方法及管理系统 | |
CN114781277A (zh) | 一种基于lstm-svr的超级电容器剩余使用寿命预测方法 | |
CN116774088A (zh) | 基于多目标优化的锂离子电池健康状态估计方法 | |
CN114123294B (zh) | 考虑三相不平衡的多目标光伏单相并网容量规划方法 | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN114418234A (zh) | 一种基于强化学习的动力电池制造能力在线预测方法 | |
CN113466710A (zh) | 含新能源受端电网中储能电池的soc与soh协同估算方法 |
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 |