一种复合去噪的超级电容后备电源性能退化规律与剩余寿命LSTM预测方法

本发明属于超级电容，尤其是一种复合去噪的超级电容后备电源性能退化规律与剩余寿命lstm预测方法。

背景技术：

1、风力发电已成全球应对能源挑战的重要手段，对环境保护和节约资源发挥关键作用。变桨系统是风力发电机组的重要组成部分，可以通过调节叶片的角度实现吸收风能和输出额定功率，来维持风机的安全运行。而后备电源作为为变桨系统的关键零部件为其提供电能。超级电容作为具有卓越性能的储能器件具有功率密度高、充放电速度快、循环寿命长、报废处理绿色环保、能承受瞬时大电流充放电等优点，逐步取代铅酸蓄电池等传统电池成为风力发电机变桨系统的备用电源。随着超级电容储能技术的迅速成熟和大规模应用，超级电容器作为独立或辅助储能系统的运行安全性越来越受到人们的关注。备用电源属于典型的间歇性工作。通常情况下，变桨系统依赖电网供电，备用电源处于静置状态。然而，在遭遇极端情况如强风恶劣天气或电网断电时，备用电源会被启用，为变桨系统提供紧急顺桨所需的电力，以确保风机的安全稳定运行。因此如何准确预测超级电容的剩余使用寿命，在到达寿命阈值之前及时更换，对保证风机正常运转、提高风力发电机组适应性和运行安全性方面起着重要作用。

2、现有的超级电容剩余使用寿命的预测方法分为两大类：基于模型的方法和基于数据驱动的方法。基于模型的方法旨在运用电压、电流、温度等参数数据，采用相应的估计方法估算出超级电容等效电路的电阻、容值、剩余余量，并以这些参数为指标，然后建立描述超级电容老化行为的物理数学模型，并利用该模型对剩余使用寿命进行预测；但由于超级电容器内部的电化学系统具有高复杂度、多变量和强耦合的特性，使得难以建立起适应真实运行环境的老化行为精确数学模型，导致预测精度不高；数据驱动的方法不需要考虑具体的物理机制，而是直接学习大量数据背后的共同规律，并在训练数据集的基础上实时更新数据驱动模型，具有结构简单、复杂度低和估计误差小等优点。

3、但由于超级电容在全寿命周期循环充放电过程中因受电磁干扰、充放电倍率差异、自身放热以及容体内的化学反应等因素的影响，容量的老化曲线中存在不正常的容量波动回升、波动下降现象，并且夹杂着一些无规律性的噪声信号，这些干扰会影响超级电容寿命预测精确性；且在超级电容寿命初期，其电化学反应和电荷传输的不稳定性以及充电激活现象等导致容量出现大幅波动；在超级电容寿命中期，超级电容自身温度变化可能会引起电解质的扩散和电极反应速率的变化，从而导致容量的较大波动，还夹杂着小幅波动和高频噪声；当超级电容寿命接近阈值时，超级电容性能退化严重，其容量迅速下降且波动幅度大；因此，为了提高超级电容性能退化与剩余使用寿命预测精度，发明一种基于复合去噪的超级电容性能退化规律(pld)与剩余使用寿命(rul)lstm预测方法，根据超级电容全寿命周期各个寿命时段数据的不同特点，通过复合去噪方法进行有效降噪，并采用lstm精确预测超级电容的性能退化规律与剩余使用寿命，在超级电容达到失效寿命阈值之前及时更换，有效提高风力发电机恶劣风况下运行的安全可靠性，是十分必要的。

技术实现思路

1、针对目前超级电容性能退化规律和剩余使用寿命预测方法中存在的不足，本发明公开了一种复合去噪的超级电容后备电源性能退化规律与剩余寿命lstm预测方法。

2、本发明采取如下技术方案：

3、步骤一、模拟超级电容备用电源间歇性的工作方式，对超级电容进行老化循环测试获取容量数据；

4、所述的超级电容的老化循环测试步骤如下：

5、1）采用电池测试仪型号为ebc-a10h进行充放电循环寿命测试，在65℃恒温下对超级电容进行加速老化实验；

6、2）以恒定电压进行充电，直到充电电流降至充电截止电流则表示充电结束；

7、3）以恒定电流进行放电，直到超级电容电压分别降至放电截止电压时停止放电过程结束;

8、4）充电放电过程结束后分别设置静置时间，使端电压达到稳定。

9、步骤二、对超级电容寿命中期原始容量数据中的小幅波动和高频噪声数据段，采用sg平滑滤波算法进行降噪处理，具体如下：

10、选取原始数据 x i左右各m个样本点，并以 x i为原点，构造一个窗口大小为2m+1的数组，使 p阶多项式去 q( n)多项式来拟合这个数组：

11、

12、式中，ak为第 k阶的拟合系数；

13、经过最小二乘拟合得到残差c为

14、

15、式中，x(n)为待拟合的数据集合；当残差 c最小时，表示拟合效果最好；

16、步骤三、对超级电容寿命初期、中期、接近寿命阈值原始容量数据中的波动幅度大、噪声复杂的数据段，采用mpa-vmd海洋捕食者算法优化变分模态分解方法进行去噪处理，具体如下：

17、（1）建立mpa优化算法适应度函数 f，具体如下：

18、加权均方误差mse和相关系数 r构建mpa优化的适应度函数 f为

19、

20、式中， w1和 w2是权重系数，取值范围是[0,1]，且 w1+  w2=1；、，其中 y i表示原始容量序列， xk( i)表示第k个模态分量， n表示样本数；（2）采用mpa算法优化vmd参数；首先初始化mpa参数，计算并比较当前适配度 f和迭代中先前适配度值 f0的大小。如果 f< f0，则 f0= f并计算和更新捕食者位置，为避免造成局部最优解问题，设置如果当前迭代次数 i小于最大迭代次数 imax，直到 i> imax，获得全局最优适应度值和顶级捕食者位置，从而得到参数最优解 k*、 α*、 β*、 w1*、 w2*；

21、（3）根据获得的 k*、 α*、 β*，进行vmd变分模态分解降噪获得 k*个模态分量；

22、步骤四、将模态分量最大值大于阈值 β的模态分量叠加起来得到重构容量序列为

23、

24、式中， uk( t)是第 k个模态分量，max( uk)表示第 k个模态分量的最大值，(.)为指示函数，当括号内的条件成立时，指示函数值为1，否则为0；

25、步骤五、取重构容量序列前70%的数据作为训练集，后30%数据为预测集，运用lstm神经网络进行训练与预测，获得超级电容剩余容量预测值以及剩余使用寿命rul，剩余容量预测值的变化规律反映出超级电容性能退化规律。