[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

说明书

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。

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。