[发明专利]一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法

说明书

本发明公开了一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法，包括如下步骤：对超级电容器进行恒流充放电循环测试步骤；根据现有电容与额定电容的比值来定义寿命的步骤；建立回归误差评价体系的步骤；选取不同阈值，以得到不同成本下的不同精度结果的模型；选取与电压降、电容、IRdrop相关的物理量作为特征，以及由这些物理量进一步衍生出的特征；将上一步中得到的特征作为输入，使用人工神经网络进行模型调整超参数，以及训练并预测。以建立模型简单、精度高、速度快、灵活性强的早期循环寿命预测模型。

技术领域

本发明属于超级电容器技术领域，特别涉及超级电容器循环寿命和容量衰减的早期预测方法。

背景技术

超级电容器是近年来迅速发展的一种新型储能器件，被广泛应用于各种领域。通常而言，超级电容器在一个系统中扮演着储能、控制的角色，一旦因为内部因素或外部因素而导致其老化乃至失效，整个系统的平稳运行可能会受到威胁，从而造成不可预料的安全问题。因此，监测超级电容器的工作状况，并精确地评估其使用寿命能够降低事故发生的概率，进一步保障系统平稳、安全地运行具有重要意义。

技术层面上，目前针对超级电容器(等储能器件)的寿命预测可以分为两大类。第一类模型是传统的机理驱动的模型，该类模型从超级电容器的物理结构和充放电机理出发，结合不同的物理模型和过滤器以实现数据的追踪和预测。然而，该类模型要求研究人员或使用者对超级电容器的机理有充分的理解，并且这种方法只适用于小批量的超级电容器寿命预测，在大规模应用场景中有一定的局限性。

现有技术中存在如下缺点：

1、预测精度不高，或是在预测精度高的情况下需要较大的早期循环数；

2、对超级电容器的专业领域知识要求高；

3、以复杂的数学模型模拟超级电容器的充放电过程，模型较为复杂；

4、预测缓慢，在大规模应用场景中有局限性。

发明内容

本发明提供一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法，以建立模型简单、精度高、速度快、灵活性强的早期循环寿命预测模型。

本发明的目的是这样实现的：一种基于神经网络的超级电容器循环寿命和容量衰减的早期预测方法，包括如下步骤：

S1、对超级电容器进行恒流充放电循环测试步骤；

S2、根据现有电容与额定电容的比值来定义寿命的步骤；

S3、建立回归误差评价体系的步骤；

S4、选取不同阈值，以得到不同成本下的不同精度结果的模型；

S5、选取与电压降、电容、IRdrop相关的物理量作为特征，以及由这些物理量进一步衍生出的特征；

S6、将步骤S5中得到的特征作为输入，使用人工神经网络进行模型调整超参数，以及训练并预测。

进一步地，还包括步骤S7,重复步骤S4-S6，选取不同的相关系数阈值得到不同的早期循环数。

进一步地，步骤S1中，以等间隔1秒的时间间隔记录电压、电流、温度。

进一步地，步骤S4中，基于训练集，建立不同循环中电压降与寿命的对数、电容与寿命的对数之间的线性关系，用皮尔逊相关系数进行描述；根据精度需求，选择合适的皮尔逊相关系数阈值，并以此定义早期循环。

进一步地，步骤S6中，通过网格搜索和K折交叉验证，选取在训练集上表现最好的模型，用测试集进行测试。

进一步地，不同循环中电压降是每个循环开始放电10秒至20秒内的电压降。

进一步地，步骤S5中的电容是指每个循环的平均放电电容。