基于BO-BiLSTM的超级电容器剩余寿命预测

为了提高超级电容器剩余使用寿命的预测精度,本文提出了一种贝叶斯优化与双向长短时记忆神经网络结合的预测模型(BO-BiLSTM),利用长滑动窗口处理容量数据来提高模型对容量衰退趋势的学习能力,达到对超级电容器剩余寿命精确预测的目的。通过对输入特征的研究和对比,选定了容量和循环数作为模型的输入,随后对滑窗大小、模型步长进行研究,发现长滑窗是模型成功的关键因素。实验模型的精度可以达到AEP=1.02%、RMSE=2.57%。在使用贝叶斯优化算法优化模型参数后,最终预测精度可以达到AEP=0.59%、RMSE=2.16%,具有较高的预测精度。

基于DMM-EKF的超级电容器剩余使用寿命预测

超级电容器是一种新型的电化学储能器件,具有循环寿命长、功率密度高、工作温度广等优势,已在轨道交通、工业节能和电网调频等领域广泛应用。准确评估超级电容器的健康状态及剩余使用寿命,对优化储能管理系统,消除安全隐患至关重要。为此,提出一种基于衰退模式匹配(Decay mode matching,DMM)和扩展卡尔曼滤波(Extended Kalman filter,EKF)的预测方法,实现超级电容器剩余使用寿命的准确预测。在历史衰退数据库的基础上,采用豪斯多夫距离来选取与被预测超级电容器衰退模式最匹配的历史衰退过程,即相似衰退过程。基于双指数经验模型建立面向容量衰退的系统模型和量测模型,以相似衰退过程的双指数拟合结果作为初始参数,使用扩展卡尔曼滤波算法进行超级电容器的剩余使用寿命预测。试验结果表明,所提出方法具有较高的预测精度,且鲁棒性好,在两种不同噪声下不同工况单体预测误差均低于1.4%。