[发明专利]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

权利要求书

1.一种超级电容器的剩余使用寿命预测方法，其特征在于，包括：

将混合遗传算法HGA与长短时记忆神经网络LSTM相结合，计算LSTM的隐藏层单元数量和随机失活Dropout概率的最优解；

将所述最优解作为LSTM的隐藏层单元的数量和Dropout概率的大小，对LSTM进行训练；

采用训练好的LSTM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所述的方法，其特征在于，将混合遗传算法HGA与长短时记忆神经网络LSTM相结合，计算LSTM的隐藏层单元数量和随机失活Dropout概率的最优解，包括：

对染色体进行编码，初始化种群,所述染色体用于表征长短时记忆神经网络LSTM的隐藏层单元的数量和随机失活Dropout概率的大小；

计算种群中每个染色体的适应度函数值；

根据所述适应度函数值进行选择、交叉和变异操作，产生新一代种群；

将所述新一代种群作为初始值，采用序列二次规划SQP算法进行局部寻优，将SQP算法寻优所得的结果作为新一代种群；

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染色体的适应度函数值；

若满足终止条件，则根据当前种群中每个染色体的适应度函数值，确定最优染色体，所述最优染色体对应LSTM的隐藏层单元的数量和Dropout概率的大小的最优解。

3.根据权利要求2所述的方法，其特征在于，所述计算种群中每个染色体的适应度函数值，具体为：

将LSTM的均方根误差RMSE作为适应度函数，计算种群中每个染色体的适应度函数值。

4.根据权利要求2所述的方法，其特征在于，所述终止条件为迭代次数。

5.一种超级电容器的剩余使用寿命预测装置，其特征在于，包括：

最优解计算模块，用于采用混合遗传算法HGA计算长短时记忆神经网络LSTM的隐藏层单元的数量和随机失活Dropout概率的大小的最优解；

训练模块，用于将所述最优解作为LSTM的隐藏层单元的数量和Dropout概率的大小，对LSTM进行训练；

预测模块，用于采用训练好的LSTM对超级电容器的剩余使用寿命进行预测。

6.根据权利要求5所述的装置，其特征在于，所述最优解计算模块，包括：

编码模块，用于对染色体进行编码，初始化种群,所述染色体用于表征长短时记忆神经网络LSTM的隐藏层单元的数量和随机失活Dropout概率的大小；

适应度计算模块，用于计算种群中每个染色体的适应度函数值；

遗传算法模块，用于根据所述适应度函数值进行选择、交叉和变异操作，产生新一代种群；

序列二次规划算法模块，用于将所述新一代种群作为初始值，采用序列二次规划SQP算法进行局部寻优，将SQP算法寻优所得的结果作为新一代种群；

判断模块，用于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染色体的适应度函数值；

确定模块，用于若满足终止条件，则根据当前种群中每个染色体的适应度函数值，确定最优染色体，所述最优染色体对应LSTM的隐藏层单元的数量和Dropout概率的大小的最优解。

7.根据权利要求6所述的装置，其特征在于，所述适应度计算模块，具体用于：

将LSTM的均方根误差RMSE作为适应度函数，计算种群中每个染色体的适应度函数值。

8.根据权利要求6所述的装置，其特征在于，所述终止条件为迭代次数。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器的执行指令的存储器；

其中，所述处理器被配置为执行权利要求1-4任一项所述的方法。