[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

说明书

本申请实施例公开了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，所述方法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。采用本申请实施例所提供的技术方案具有以下优点：由于超级电容器的实验数据是基于时间序列的，而LSTM易于学习长期依赖，是一种适应时间序列较好的神经网络将混合遗传算法HGA与长短时记忆神经网络LSTM相结合，为LSTM设计适当的网络参数，即寻求隐藏层单元数量和随机失活Dropout概率的最优解。

技术领域

本申请涉及超级电容器技术领域，特别是涉及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。

背景技术

超级电容器是指介于传统电容器和充电电池之间的一种新型储能装置，它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，是一种高效、实用、环保的新型储能元件。

超级电容器单体电压和能量密度较低，在大规模储能系统中需要大量单体串并联组合工作，但是超级电容器存在单体参数不一致的问题，这将导致模块内部温度分布不均以及单体之间充电电压不均衡，上述一系列问题共同作用于超级电容器的老化过程。当超级电容器以模块成组的形式作为复杂电子系统的电源或者辅助电源系统的时候，其剩余使用寿命(Remaining Useful Life，RUL)将直接影响着整个系统的可靠性和安全性。

因此，研究超级电容器的老化特征，预测其老化趋势进而估算它的RUL，这将成为超级电容器应用技术的研究重点之一。

发明内容

本申请实施例中提供了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，以满足现有技术中超级电容器剩余使用寿命预测的需求。

第一方面，本申请实施例提供了一种超级电容器的剩余使用寿命预测方法，所述方法包括：

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。

优选地，所述将混合遗传算法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。

优选地，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。

优选地，所述终止条件为迭代次数。