[发明专利]一种基于支持向量机的超级电容器剩余寿命预测新方法

说明书

本发明公开了一种基于支持向量机的超级电容器剩余寿命预测新方法，包括NSGA‑II算法优化支持向量机SVR的超级电容器剩余寿命预测方法。其中，NSGA‑II算法与SVR相结合，以SVR的训练集数量最少与预测精度最高两个为目标，输出SVR训练集数量与预测精度的非劣Pareto解集，确定支持向量机SVR的训练集数量a、惩罚参数c和核函数参数g的最优解；所述的最优解作为SVR的最优参数，并对建立的SVR进行训练和超级电容器剩余寿命预测。本发明能够在选取最少的模型训练集数据数量的前提下更加准确地预测超级电容器剩余寿命，解决了基于数据驱动的寿命预测方法训练集数量如何选取的问题，同时更能准确的对超级电容器剩余寿命进行预测。

本发明申请涉及超级电容器技术领域，尤其涉及到一种基于支持向量机的超级电容器剩余寿命预测新方法

背景技术

相比于传统的化学电源，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，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。

超级电容器虽然厂商声称超级电容器单体寿命可达50万次，远大于蓄电池数千次的循环寿命，使用中无需维护。但是往往很难达到额定的使用寿命，一方面是因为在使用过程中会受到外部应力的影响，另一方面器件本身材料性质的差异也会对器件的寿命产生影响，此外超级电容器单体电压一般不超过3V，在大规模储能应用中为了获得合适的电压，一般串并联使用，因此超级电容器模块由于内部单体的参数不一致、充电电压不均衡以及内部温度的差异导致其性能下降较快，加速器件老化。

因此，研究超级电容器的老化规律，预测超级电容器剩余寿命进而提高应用系统和设备的可靠性，这将成为超级电容器应用技术的研究重点之一。

发明内容

本发明实施例提供了一种基于支持向量机的超级电容器剩余寿命预测新方法，基于数据驱动的预测模型的训练集数量与预测模型预测精度存在矛盾关系，通过带有精英保留策略的快速非支配多目标优化算法NSGA-II与支持向量机 SVR相结合，以预测模型的训练集数量最少与预测模型预测精度最高两个为目标，输出预测模型数量与预测模型预测精度的非劣Pareto解集，从中选取最少 SVR训练集数量与更高超级电容器寿命预测精度的最优组合，解决了其他基于数据驱动的寿命预测方法只通过对比方法选取训练集数量的问题；同时更能准确的对超级电容器剩余寿命进行预测。

技术方案

第一方面，本发明实施例提供了一种基于支持向量机的超级电容器剩余寿命预测新方法，包括以下步骤：

步骤1：从超级电容器老化状态数据中提取表征超级电容性能退化的外特征参数H作为支持向量机SVR的输入向量，超级电容器容量C作为输出向量；

步骤2：将带有精英保留策略的快速非支配多目标优化算法NSGA-II与支持向量机SVR相结合，建立NSGA-II-SVR方法的优化目标函数1和优化目标函数 2；

步骤3：根据所述的优化目标函数1和优化目标函数2，NSGA-II算法对SVR 的训练集数量a、惩罚参数c和核函数参数g进行优化，输出Pareto解集；

步骤4：根据所述的Pareto解集确定SVR的训练集数量a、惩罚参数c和核函数参数g的最优解；

步骤5：根据所述的训练集数量a的最优解划分训练集和测试集；

步骤6：根据所述的惩罚参数c和核函数参数g的最优解作为支持向量机 SVR的惩罚参数c和核函数参数g的大小，并输入训练集对SVR进行训练；

步骤7：根据所述的训练好得SVR对超级电容器剩余寿命进行预测。