CN116542148A - 一种超级电容器剩余寿命的预测方法及系统 - Google Patents

一种超级电容器剩余寿命的预测方法及系统 Download PDF

Info

Publication number
CN116542148A
CN116542148A CN202310512802.XA CN202310512802A CN116542148A CN 116542148 A CN116542148 A CN 116542148A CN 202310512802 A CN202310512802 A CN 202310512802A CN 116542148 A CN116542148 A CN 116542148A
Authority
CN
China
Prior art keywords
information
data
supercapacitor
parameter
predicting
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.)
Withdrawn
Application number
CN202310512802.XA
Other languages
English (en)
Inventor
任俊锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Electric Power University
Original Assignee
Shanghai Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Electric Power University filed Critical Shanghai Electric Power University
Priority to CN202310512802.XA priority Critical patent/CN116542148A/zh
Publication of CN116542148A publication Critical patent/CN116542148A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2471—Distributed queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
    • G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
    • H04L9/0861—Generation of secret information including derivation or calculation of cryptographic keys or passwords
    • H04L9/0863—Generation of secret information including derivation or calculation of cryptographic keys or passwords involving passwords or one-time passwords
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/30—Public key, i.e. encryption algorithm being computationally infeasible to invert or user's encryption keys not requiring secrecy
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Security & Cryptography (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Fuzzy Systems (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种超级电容器剩余寿命的预测方法及系统，属于智能检测技术领域，该预测方法具体步骤如下：(1)采集超级电容器各参数信息并进行特征提取；(2)构建GRU预测模型并优化该模型参数信息；(3)预测电容器剩余寿命并进行相关声光报警；(4)记录工作人员维护信息并进行区块存储；(5)实时将电容器信息反馈至管控平台以供查看分析；本发明仅需要将电容器运行参数直接输入到模型中便可预测出其剩余寿命，降低使用局限性，同时能够实现存储数据去中心化，提高数据处理效率，且提高数据财产安全性，不需要人工设置参数，节省工作人员手动寻参的时间，降低工作人员工作压力，使得操作过程简单、易操作，同时有效提高预测精度。

Description

一种超级电容器剩余寿命的预测方法及系统
技术领域
本发明涉及智能检测技术领域，尤其涉及一种超级电容器剩余寿命的预测方法及系统。
背景技术
超级电容器又称为双电层电容器、电化学电容器，是电化学性能介于传统电容器和电池的一种新型的电化学储能装置。主要包括电极、电解质、集流体和隔离物4个部分。它主要是通过双电层电容和氧化还原反应产生的法拉第准电容存储能量。一般说来，超级电容器的储能方式是可逆的，因此可用来解决电池记忆等问题。当前，超级电容器的应用范围非常广泛，尤其是在混合动力汽车方面。其作为混合动力汽车的电源，可以很好地满足汽车在启动、爬坡和加速时对高功率的需求，从而有效地节约能源并提高电池的使用寿命。随着混合电动轿车迅速发展，作为电动轿车的主要电能存储单元，超级电容器越来越受到人们的关注。相较于传统的电容器，超级电容器具有更明显的优势。
经检索，中国专利号CN108008201A公开了电容器剩余寿命的预测方法及装置，该发明虽然能够提高预测电容器剩余寿命的准确性，但是使用局限性高，同时数据处理效率差；此外，现有的超级电容器剩余寿命的预测方法及系统需要人工设置参数，增加工作人员工作压力，操作过程繁杂，且预测精度低；为此，我们提出一种超级电容器剩余寿命的预测方法及系统。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种超级电容器剩余寿命的预测方法及系统。
为了实现上述目的，本发明采用了如下技术方案：
一种超级电容器剩余寿命的预测方法，该预测方法具体步骤如下：
(1)采集超级电容器各参数信息并进行特征提取；
(2)构建GRU预测模型并优化该模型参数信息；
(3)预测电容器剩余寿命并进行相关声光报警；
(4)记录工作人员维护信息并进行区块存储；
(5)实时将电容器信息反馈至管控平台以供查看分析。
作为本发明的进一步方案，步骤(1)所述超级电容器参数信息具体包括电容量和容差、额定电压、绝缘电阻以及损耗率。
作为本发明的进一步方案，步骤(1)所述参数信息特征提取具体步骤如下：
步骤一：将收集到的各组参数信息整合为原始数据集，并构建相对应的原始数据空间，同时计算原始数据集的平均值，同时依据预设的投影机制将原始空间的各组数据映射至相关数据空间中；
步骤二：获取第一单元投射向量，并将其作为最优的投射数据集中，并计算该投射向量的方差，之后通过拉格朗日函数对该投射向量进行微分处理，并令微分函数值为0以获取各组特征值。
作为本发明的进一步方案，步骤一所述原始数据集平均值具体计算公式如下：
其中，代表原始数据平均值，/>代表第i个原始数据的向量值；
步骤一所述投影机制具体公式如下：
其中，代表投影后的数据空间；/>代表映射函数；Xn×p代表原始数据空间；
步骤二所述投射向量方差具体计算公式如下：
其中，代表第一个单元投射向量，且满足/>∑代表原始数据的协方差。
作为本发明的进一步方案，步骤(2)所述GRU预测模型具体构建步骤如下：
步骤①：采集存储的过往预测数据以构建样本数据集，并计算其标准偏差对样本数据集中的异常数据进行剔除，之后对剩余数据进行标准化处理后，再将其划分为训练集以及测试集；
步骤②：依据预设参数信息确认原有预测模型的参数值，之后确定各神经元激励函数，将训练集输入预测模型中，并确定中心向量值以获取相关的线性组合，同时定义该预测模型多轮学习后的能量函数，当能量函数小于目标误差时，训练过程结束并输出预测模型，并使用测试集实时计算该预测模型损失值，同时通过参数调整模块寻找该预测模型最优参数。
作为本发明的进一步方案，步骤(3)所述电容器剩余寿命预测具体步骤如下：
步骤Ⅰ：筛选出能够表示超级电容器退化信息的特征参数，并筛除对于表征能力差的特征参数，之后将当前样本所对应的超级电容器剩余使用寿命的归一化值设置为电容器样本寿命标签；
步骤Ⅱ：将超级电容器数据样本进行标准化处理，将处理后的数据输送到GRU预测模型中，设置模型具体参数以输出超级电容器剩余寿命预测曲线，并加以分析。
一种超级电容器剩余寿命的预测系统，包括管控平台、电容器、采集过滤模块、寿命预测模块、参数调整模块、报警模块、维护记录模块以及区块存储模块；
所述管控平台用于用户查看超级电容器运行信息以及剩余寿命；
所述超级电容器用于为外部设备进行供电；
所述采集过滤模块用于采集超级电容器运行信息，并过滤冗余信息；
所述寿命预测模块用于对超级电容器剩余寿命进行预测；
所述参数调整模块用于采集寿命预测模块运行信息，并对其进行参数更新；
所述报警模块用于对低于预设寿命阈值的超级电容器发出报警并提示更换；
所述维护记录模块用于采集超级电容器更换以及维护信息并记录；
所述区块存储模块用于将预测数据以及维护数据进行上链存储。
作为本发明的进一步方案，所述参数调整模块参数更新具体步骤如下：
第一步：参数调整模块在该预测模型的规定区间内初始化网络连接权值，之后计算该预测模型的输出，并比较期望的网络输出与实际的网络输出，同时计算所有神经元的局部误差，其局部误差具体计算公式如下：
其中，代表第l个隐含层中第q个神经元的输出；
第二步：当局部误差超出预设阈值后，依据学习规则方程对该预测模型的权值进行训练以及更新，并依据预设的学习率以及步长列出所有可能的数据结果，其中，学习规则方程具体如下：
式中，代表第l个隐含层的权值，J代表输出层输出结果，η(l)是与各个网络层相对应的学习率参数，一般情况下，学习率设为相等的值；
第三步：对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练测试模型后对测试集进行检测，并统计检测结果的均方根误差；
第四步：将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对所有数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为数据区间内最优的参数并替换预测模型原有参数。
作为本发明的进一步方案，所述区块存储模块上链存储具体步骤如下：
第Ⅰ步：区块存储模块将电容器预测信息以及维护信息处理成符合条件的区块，同时区块入网时，区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识码，当某一节点等待本地角色成为候选节点时，向网络中其他节点广播领导发生申请信息；
第Ⅱ步：当该候选节点成为领导节点后，其他节点成为跟随节点，之后领导节点广播区块记录信息，跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数，并使用重复次数最多的信息生成区块头，并向领导节点发送验证申请；
第Ⅲ步：验证通过后，领导节点发送添加命令并进入沉睡期，在沉睡期内不能再次申请成为领导节点，直到结束沉睡期，跟随节点收到确认信息后,将新生成的各组区块添加至区块链上并返回候选身份。
相比于现有技术，本发明的有益效果在于：
1、该超级电容器剩余寿命的预测方法通过筛选出能够表示超级电容器退化信息的特征参数，之后将当前样本所对应的超级电容器剩余使用寿命的归一化值设置为电容器样本寿命标签，将超级电容器数据样本进行标准化处理，将处理后的数据输送到GRU预测模型中，设置模型具体参数以输出超级电容器剩余寿命预测曲线，之后将电容器预测信息以及维护信息处理成符合条件的区块，同时区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识码，当某一节点成为领导节点后广播区块记录信息，跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数，并生成区块头，之后领导节点发送添加命令，跟随节点收到确认信息后,将新生成的各组区块添加至区块链上并返回候选身份，仅需要将电容器运行参数直接输入到模型中便可预测出其剩余寿命，降低使用局限性，同时能够实现存储数据去中心化，提高数据处理效率，且提高数据财产安全性；
2、该超级电容器剩余寿命的预测系统通过参数调整模块在预测模型的规定区间内初始化网络连接权值，之后计算该预测模型的输出，并比较期望的网络输出与实际的网络输出，同时计算所有神经元的局部误差，当局部误差超出预设阈值后，依据学习规则方程对该预测模型的权值进行训练以及更新，并依据预设的学习率以及步长列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练测试模型后对测试集进行检测，并统计检测结果的均方根误差，将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对所有数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为数据区间内最优的参数并替换预测模型原有参数，不需要人工设置参数，节省工作人员手动寻参的时间，降低工作人员工作压力，使得操作过程简单、易操作，同时有效提高预测精度。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明提出的一种超级电容器剩余寿命的预测方法的流程框图；
图2为本发明提出的一种超级电容器剩余寿命的预测系统的系统框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。
实施例1
参照图1，本实施例公开了一种超级电容器剩余寿命的预测方法，该预测方法具体步骤如下：
采集超级电容器各参数信息并进行特征提取。
具体的，将收集到的各组参数信息整合为原始数据集，并构建相对应的原始数据空间，同时计算原始数据集的平均值，同时依据预设的投影机制将原始空间的各组数据映射至相关数据空间中，获取第一单元投射向量，并将其作为最优的投射数据集中，并计算该投射向量的方差，之后通过拉格朗日函数对该投射向量进行微分处理，并令微分函数值为0以获取各组特征值。
需要进一步说明的是，原始数据集平均值具体计算公式如下：
其中，代表原始数据平均值，/>代表第i个原始数据的向量值；
步骤一所述投影机制具体公式如下：
其中，代表投影后的数据空间；/>代表映射函数；Xn×p代表原始数据空间；
投射向量方差具体计算公式如下：
其中，代表第一个单元投射向量，且满足/>∑代表原始数据的协方差。
构建GRU预测模型并优化该模型参数信息。
具体的，采集存储的过往预测数据以构建样本数据集，并计算其标准偏差对样本数据集中的异常数据进行剔除，之后对剩余数据进行标准化处理后，再将其划分为训练集以及测试集，依据预设参数信息确认原有预测模型的参数值，之后确定各神经元激励函数，将训练集输入预测模型中，并确定中心向量值以获取相关的线性组合，同时定义该预测模型多轮学习后的能量函数，当能量函数小于目标误差时，训练过程结束并输出预测模型，并使用测试集实时计算该预测模型损失值，同时通过参数调整模块寻找该预测模型最优参数。
预测电容器剩余寿命并进行相关声光报警。
具体的，筛选出能够表示超级电容器退化信息的特征参数，并筛除对于表征能力差的特征参数，之后将当前样本所对应的超级电容器剩余使用寿命的归一化值设置为电容器样本寿命标签，将超级电容器数据样本进行标准化处理，将处理后的数据输送到GRU预测模型中，设置模型具体参数以输出超级电容器剩余寿命预测曲线，并加以分析。
记录工作人员维护信息并进行区块存储。
实时将电容器信息反馈至管控平台以供查看分析。
实施例2
参照图2，本实施例公开了一种超级电容器剩余寿命的预测系统，包括管控平台、电容器、采集过滤模块、寿命预测模块、参数调整模块、报警模块、维护记录模块以及区块存储模块；
管控平台用于用户查看超级电容器运行信息以及剩余寿命；超级电容器用于为外部设备进行供电；采集过滤模块用于采集超级电容器运行信息，并过滤冗余信息；寿命预测模块用于对超级电容器剩余寿命进行预测；参数调整模块用于采集寿命预测模块运行信息，并对其进行参数更新。
具体的，参数调整模块在该预测模型的规定区间内初始化网络连接权值，之后计算该预测模型的输出，并比较期望的网络输出与实际的网络输出，同时计算所有神经元的局部误差，当局部误差超出预设阈值后，依据学习规则方程对该预测模型的权值进行训练以及更新，并依据预设的学习率以及步长列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练测试模型后对测试集进行检测，并统计检测结果的均方根误差，将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对所有数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为数据区间内最优的参数并替换预测模型原有参数。
本实施例中，局部误差具体计算公式如下：
其中，代表第l个隐含层中第q个神经元的输出；
学习规则方程具体如下：
式中，代表第l个隐含层的权值，J代表输出层输出结果，η(l)是与各个网络层相对应的学习率参数。
报警模块用于对低于预设寿命阈值的超级电容器发出报警并提示更换；维护记录模块用于采集超级电容器更换以及维护信息并记录；区块存储模块用于将预测数据以及维护数据进行上链存储。
具体的，区块存储模块将电容器预测信息以及维护信息处理成符合条件的区块，同时区块入网时，区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识码，当某一节点等待本地角色成为候选节点时，向网络中其他节点广播领导发生申请信息，当该候选节点成为领导节点后，其他节点成为跟随节点，之后领导节点广播区块记录信息，跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数，并使用重复次数最多的信息生成区块头，并向领导节点发送验证申请，验证通过后，领导节点发送添加命令并进入沉睡期，在沉睡期内不能再次申请成为领导节点，直到结束沉睡期，跟随节点收到确认信息后,将新生成的各组区块添加至区块链上并返回候选身份。

Claims (9)

1.一种超级电容器剩余寿命的预测方法，其特征在于，该预测方法具体步骤如下：
(1)采集超级电容器各参数信息并进行特征提取；
(2)构建GRU预测模型并优化该模型参数信息；
(3)预测电容器剩余寿命并进行相关声光报警；
(4)记录工作人员维护信息并进行区块存储；
(5)实时将电容器信息反馈至管控平台以供查看分析。
2.根据权利要求1所述的一种超级电容器剩余寿命的预测方法，其特征在于，步骤(1)所述超级电容器参数信息具体包括电容量和容差、额定电压、绝缘电阻以及损耗率。
3.根据权利要求2所述的一种超级电容器剩余寿命的预测方法，其特征在于，步骤(1)所述参数信息特征提取具体步骤如下：
步骤一：将收集到的各组参数信息整合为原始数据集，并构建相对应的原始数据空间，同时计算原始数据集的平均值，同时依据预设的投影机制将原始空间的各组数据映射至相关数据空间中；
步骤二：获取第一单元投射向量，并将其作为最优的投射数据集中，并计算该投射向量的方差，之后通过拉格朗日函数对该投射向量进行微分处理，并令微分函数值为0以获取各组特征值。
4.根据权利要求3所述的一种超级电容器剩余寿命的预测方法，其特征在于，步骤一所述原始数据集平均值具体计算公式如下：
其中，代表原始数据平均值，/>代表第i个原始数据的向量值；
步骤一所述投影机制具体公式如下：
其中，代表投影后的数据空间；/>代表映射函数；Xn×p代表原始数据空间；
步骤二所述投射向量方差具体计算公式如下：
其中，代表第一个单元投射向量，且满足/>∑代表原始数据的协方差。
5.根据权利要求1所述的一种超级电容器剩余寿命的预测方法，其特征在于，步骤(2)所述GRU预测模型具体构建步骤如下：
步骤①：采集存储的过往预测数据以构建样本数据集，并计算其标准偏差对样本数据集中的异常数据进行剔除，之后对剩余数据进行标准化处理后，再将其划分为训练集以及测试集；
步骤②：依据预设参数信息确认原有预测模型的参数值，之后确定各神经元激励函数，将训练集输入预测模型中，并确定中心向量值以获取相关的线性组合，同时定义该预测模型多轮学习后的能量函数，当能量函数小于目标误差时，训练过程结束并输出预测模型，并使用测试集实时计算该预测模型损失值，同时通过参数调整模块寻找该预测模型最优参数。
6.根据权利要求5所述的一种超级电容器剩余寿命的预测方法，其特征在于，步骤(3)所述电容器剩余寿命预测具体步骤如下：
步骤Ⅰ：筛选出能够表示超级电容器退化信息的特征参数，并筛除对于表征能力差的特征参数，之后将当前样本所对应的超级电容器剩余使用寿命的归一化值设置为电容器样本寿命标签；
步骤Ⅱ：将超级电容器数据样本进行标准化处理，将处理后的数据输送到GRU预测模型中，设置模型具体参数以输出超级电容器剩余寿命预测曲线，并加以分析。
7.一种超级电容器剩余寿命的预测系统，其特征在于，包括管控平台、电容器、采集过滤模块、寿命预测模块、参数调整模块、报警模块、维护记录模块以及区块存储模块；
所述管控平台用于用户查看超级电容器运行信息以及剩余寿命；
所述超级电容器用于为外部设备进行供电；
所述采集过滤模块用于采集超级电容器运行信息，并过滤冗余信息；
所述寿命预测模块用于对超级电容器剩余寿命进行预测；
所述参数调整模块用于采集寿命预测模块运行信息，并对其进行参数更新；
所述报警模块用于对低于预设寿命阈值的超级电容器发出报警并提示更换；
所述维护记录模块用于采集超级电容器更换以及维护信息并记录；
所述区块存储模块用于将预测数据以及维护数据进行上链存储。
8.根据权利要求7所述的一种超级电容器剩余寿命的预测系统，其特征在于，所述参数调整模块参数更新具体步骤如下：
第一步：参数调整模块在该预测模型的规定区间内初始化网络连接权值，之后计算该预测模型的输出，并比较期望的网络输出与实际的网络输出，同时计算所有神经元的局部误差，其局部误差具体计算公式如下：
其中，代表第l个隐含层中第q个神经元的输出；
第二步：当局部误差超出预设阈值后，依据学习规则方程对该预测模型的权值进行训练以及更新，并依据预设的学习率以及步长列出所有可能的数据结果，其中，学习规则方程具体如下：
式中，代表第l个隐含层的权值，J代表输出层输出结果，η(l)是与各个网络层相对应的学习率参数，一般情况下，学习率设为相等的值；
第三步：对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练测试模型后对测试集进行检测，并统计检测结果的均方根误差；
第四步：将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对所有数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为数据区间内最优的参数并替换预测模型原有参数。
9.根据权利要求7所述的一种超级电容器剩余寿命的预测系统，其特征在于，所述区块存储模块上链存储具体步骤如下：
第Ⅰ步：区块存储模块将电容器预测信息以及维护信息处理成符合条件的区块，同时区块入网时，区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识码，当某一节点等待本地角色成为候选节点时，向网络中其他节点广播领导发生申请信息；
第Ⅱ步：当该候选节点成为领导节点后，其他节点成为跟随节点，之后领导节点广播区块记录信息，跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数，并使用重复次数最多的信息生成区块头，并向领导节点发送验证申请；
第Ⅲ步：验证通过后，领导节点发送添加命令并进入沉睡期，在沉睡期内不能再次申请成为领导节点，直到结束沉睡期，跟随节点收到确认信息后,将新生成的各组区块添加至区块链上并返回候选身份。
CN202310512802.XA 2023-05-08 2023-05-08 一种超级电容器剩余寿命的预测方法及系统 Withdrawn CN116542148A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310512802.XA CN116542148A (zh) 2023-05-08 2023-05-08 一种超级电容器剩余寿命的预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310512802.XA CN116542148A (zh) 2023-05-08 2023-05-08 一种超级电容器剩余寿命的预测方法及系统

Publications (1)

Publication Number Publication Date
CN116542148A true CN116542148A (zh) 2023-08-04

Family

ID=87457298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310512802.XA Withdrawn CN116542148A (zh) 2023-05-08 2023-05-08 一种超级电容器剩余寿命的预测方法及系统

Country Status (1)

Country Link
CN (1) CN116542148A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056876A (zh) * 2023-10-11 2023-11-14 轩创(广州)网络科技有限公司 一种基于人工智能的电子元件性能数据监测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056876A (zh) * 2023-10-11 2023-11-14 轩创(广州)网络科技有限公司 一种基于人工智能的电子元件性能数据监测方法及系统

Similar Documents

Publication Publication Date Title
EP3770620B1 (en) Deterioration estimation device and deterioration estimation method
CN113064939B (zh) 一种新能源车辆三电系统安全特征数据库构建方法
CN106154180B (zh) 储能电池充/放电异常行为检测方法及检测系统
CN109375116B (zh) 一种基于自编码器的电池系统异常电池识别方法
CN113191547B (zh) 一种新能源车辆动力电池充电优化方法及系统
CN116542148A (zh) 一种超级电容器剩余寿命的预测方法及系统
CN112327189B (zh) 一种基于knn算法的储能电池健康状态综合判断方法
CN114035098A (zh) 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法
US20230384392A1 (en) Method for detecting abnormal condition or fault of battery, and a battery management system operating the same
CN116381541B (zh) 一种储能锂电池系统的健康评估方法及系统
CN112529056B (zh) 一种用于配电网大面积停电的研判方法
CN106358212A (zh) 室内分布系统的检测方法和装置
CN115219903A (zh) 基于车联网数据分析的电池自放电率异常判断方法及装置
CN114646888A (zh) 一种动力电池容量衰减的评估方法及系统
CN113687239B (zh) 一种用于噪声免疫的tcpso锂离子电池参数辨识方法
CN113540589B (zh) 一种电池温差自适应阈值确定方法及系统
CN116859246B (zh) 一种电池电芯自动识别方法及系统
CN116956639B (zh) 一种基于数据分析的高散热性蓄电池评估方法及系统
CN113435688A (zh) 动力电池系统的风险排查方法
CN117805649A (zh) 基于soh量化电池容量衰减对异常电芯进行识别的方法
CN116699435A (zh) 基于机器学习方法识别电池组中的临界异常的方法和装置
DE102022208932A1 (de) Verfahren und Vorrichtung zur prädiktiven Diagnose einer Gerätebatterie eines technischen Geräts mithilfe eines Transformer-Modells
CN114977162A (zh) 一种电动汽车充电监测方法及系统
CN115128468A (zh) 一种化学储能电池phm欠压故障预测方法
CN115219932A (zh) 用于评价设备电池组的相对老化状态的方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230804

WW01 Invention patent application withdrawn after publication