论文部分内容阅读
由于化石燃料的迅速消耗和大量温室气体带来的环境问题,人们迫切寻求绿色可替代能源以及储能设备,高性能储能设备的发展对于生态友好型社会和可再生能源的发展至关重要。超级电容器因其高功率密度在能源领域具有较大的发展潜力,是储能系统中的核心器件。因此,超级电容器的健康状态对整个储能系统的安全运行意义重大,引起了极大关注。本文主要研究基于混合遗传算法优化的长短时记忆神经网络对超级电容器进行剩余使用寿命预测。首先,确定深度神经网络的输入变量。通过分析电极与溶液之间的结构特征和内部电荷的运动特点及规律,对超级电容器的储能机理进行研究,得到了超级电容器性能老化的影响因素。根据超级电容器的性能老化影响因素确定神经网络模型的输入变量,以期实现对超级电容器剩余使用寿命的精准预测。其次,设计两种测试获取超级电容器老化数据。大量的数据是实现高精度寿命预测的基础,为全面反映不同运行环境下电源的老化状况,本文基于不同的温度和电压下采用不同的充放电策略,对超级电容器进行稳态循环使用寿命测试和动态混合脉冲功率特性测试,使测量得到的数据更加真实有效。在确定神经网络的输入变量以及得到大量实验数据之后,本文建立了基于混合遗传算法优化的长短时记忆神经网络预测模型。该模型采用混合遗传算法自动寻找神经网络的最优dropout概率和隐藏层单元个数。混合遗传算法将长短时记忆神经网络预测的超级电容器剩余使用寿命与真实值之间的均方根误差作为其适应度函数,在寻优过程中,遗传算法收敛到局部最优解的附近区域后,利用序列二次规划算法进一步局部搜索,快速准确地实现dropout概率和隐藏层单元个数的最优化,将得到的最优参数输入长短时记忆网络对超级电容器的剩余使用寿命进行预测。在建立好深度学习模型后,将经过训练的和未经过训练的超级电容器的老化数据进行循环使用寿命预测实验,并通过与其他预测模型比较,结果证明本文所提出的预测模型预测精度较高,泛化能力较强。此外,还进行了动态测试条件下的超级电容器寿命预测实验,进一步证实该预测模型的通用性。