[发明专利]一种基于LSTM-SVR的超级电容器剩余使用寿命预测方法

权利要求书

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U_min，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。