【技術實現步驟摘要】
本申請涉及超級電容器，具體涉及一種大電流過載條件下的超級電容壽命預測的裝置及方法。
技術介紹
1、超級電容器作為一種高效的能量存儲裝置，在電力電子、新能源汽車等領域得到廣泛應用。在實際應用中，超級電容器常常需要在高功率密度要求下工作，這種情況下會面臨大電流過載（電流過載是額定電流的10倍以上）的工況。
2、目前，常見的超級電容壽命預測方法主要包括基于測試數據的經驗模型法和基于監測數據的在線預測法。然而，現有的預測方法主要針對額定充放電電流工況，通過采集額定條件下的數據，結合額定工況下的經驗公式進行預測。這種方法存在以下技術問題：首先，現有的經驗公式不適用于大電流過載條件；其次，現有方法主要針對超級電容單體，缺少對超級電容模組和儲能系統級別的預測；最后，由于大電流過載條件下超級電容的性能退化機理更為復雜，現有方法的預測精度和可靠性難以滿足實際需求。
技術實現思路
1、鑒于此，本申請提供一種大電流過載條件下的超級電容壽命預測的裝置及方法，解決了現有技術中針對大電流過載條件下超級電容壽命預測精度低、可靠性差的問題。
2、本申請實施例提供了一種大電流過載條件下的超級電容壽命預測的方法，包括：
3、構建大電流測試平臺，所述測試平臺包括超級電容模組、以及與所述超級電容模組電連接的充電電源、繼電器、計數器、充放電開關、電阻、分流器、示波器和數據采集儀，其中，所述超級電容模組由多個超級電容單體串并聯構成；
4、基于所述測試平臺，對所述超級電容模組進行
5、根據所述測試參數，構建包含超級電容壽命變化函數和超級電容單體容值分布函數的數據集，其中，所述壽命變化函數用于表征超級電容的總內阻和總容量隨工作次數的變化關系，所述容值分布函數用于表征超級電容單體電壓分布特征；
6、采集所述超級電容模組的運行數據，所述運行數據包括總內阻值、總容量值、電流值；
7、基于所述數據集中的壽命變化函數和容值分布函數，結合所述運行數據，計算所述超級電容模組的剩余壽命次數。
8、可選地，根據所述測試參數，構建包含超級電容壽命變化函數和超級電容單體容值分布函數的數據集，包括：
9、對所述測試參數中的總內阻和總容量數據按預設工作次數間隔進行分組，基于分組后的第一測試參數構建壽命變化函數；
10、對所述測試參數中的單體電壓數據按預設工作次數間隔進行分組，基于分組后的第二測試參數獲得超級電容單體充電電壓變化函數；
11、將所述單體電壓變化函數作為輸入，采用正態分布擬合算法，輸出不同工作次數下的超級電容單體承壓正態分布函數；
12、將所述壽命變化函數和所述正態分布函數在不同電流沖擊條件下的對應關系整合為經驗數據集。
13、可選地，通過監測系統實時采集所述超級電容模組的運行數據，包括：
14、設置電壓檢測電路和電流檢測電路，采集超級電容模組的電壓和電流數據；
15、基于所采集的電壓和電流數據，計算所述超級電容模組的總內阻值；
16、采用恒流充放電方法，根據電壓變化量與電流的比值計算所述超級電容模組的總容量值；
17、將所述總內阻值、總容量值和電流值按預設頻率進行采樣存儲，并通過遠程傳輸通道發送至數據處理單元。
18、可選地，基于所述數據集中的壽命變化函數和容值分布函數，結合所述運行數據，計算所述超級電容模組的剩余壽命次數，包括：
19、構建graph?spring神經ode模型，將所述超級電容模組表示為動態圖結構，其中每個超級電容單體作為圖中節點，節點間的串并聯關系作為邊，所述graph?spring神經ode模型包括圖卷積層、彈簧物理層、時序常微分方程層和預測層；
20、將所述數據集輸入所述graph?spring神經ode模型進行訓練，得到訓練后的模型；
21、采用通道協調策略處理所述運行數據，建立不同傳感器通道的時序關聯，實現電氣特性、熱力學特性和壽命特性的多維度分析；
22、將處理后的運行數據輸入訓練后的graph?spring神經ode模型，結合聚類算法和方差最小算法，輸出所述超級電容模組的剩余壽命次數。
23、可選地，構建graph?spring神經ode模型，包括：
24、在所述圖卷積層中，輸入節點的初始特征向量，使用chebnet進行空間卷積，提取節點局部特征，輸出64維的節點嵌入向量；
25、將所述節點嵌入向量輸入所述彈簧物理層，映射到物理空間，基于邊的屬性定義節點間彈簧力，模擬電容間相互作用；
26、將物理空間的狀態向量輸入所述時序常微分方程層，構建神經常微分方程描述系統動態演化，采用自適應步長求解器進行數值求解；
27、將求解結果輸入所述預測層，通過多層感知機解碼器輸出每個節點的預測壽命和健康狀態。
28、在構建graph?spring神經ode模型后，還包括：
29、基于單體預測損失、系統預測損失和物理一致性損失設計多目標損失函數；
30、將所述數據集劃分為訓練集和驗證集，在預訓練階段使用訓練集進行監督學習；
31、將預訓練的模型參數作為初始值，在物理約束訓練階段加入物理一致性損失進行優化；
32、采用滑動時間窗口方式獲取最新的運行數據，在在線學習階段持續更新訓練集和模型參數。
33、可選地，采用通道協調策略處理所述運行數據，包括：
34、將每個傳感器通道的數據表示為帶時間戳的觀測值序列，構建多通道時間序列表示；
35、基于所述多通道時間序列，采用動態時間規整算法進行時間對齊，輸出通道間的時變相關矩陣；
36、對時間對齊后的每個通道數據應用小波變換，獲取多尺度特征表示；
37、基于所述多尺度特征，采用注意力機制計算通道間的權重系數，建立長期依賴關系；
38、根據所述權重系數和長期依賴關系，識別對壽命預測具有重要影響的關鍵通道和影響路徑。
39、可選地，將處理后的運行數據輸入訓練后的graph?spring神經ode模型，包括：
40、構建包括電氣特性、熱力學特性和壽命特性的多子空間矩陣，對應不同物理特性；
41、基于核范數設計優化目標函數，約束各子空間矩陣的秩以促進低秩結構；
42、采用交替方向乘子法對各子空間矩陣進行迭代更新，實現矩陣恢復；
43、將恢復的子空間矩陣中的特征轉換為圖結構的節點屬性；
44、基于各子空間的綜合信息計算剩余壽命，同時輸出預測結果的置信區間。
45、可選地，在輸出所述超級電容模組的剩余壽命次數后，還包括：
46、基于所述通道協調策略的分析結果，生成通道協調關系圖，展示本文檔來自技高網...
【技術保護點】
1.一種大電流過載條件下的超級電容壽命預測的方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，根據所述測試參數，構建包含超級電容壽命變化函數和超級電容單體容值分布函數的數據集，包括：
3.根據權利要求1所述的方法，其特征在于，通過監測系統實時采集所述超級電容模組的運行數據，包括：
4.根據權利要求1所述的方法，其特征在于，基于所述數據集中的壽命變化函數和容值分布函數，結合所述運行數據，計算所述超級電容模組的剩余壽命次數，包括：
5.?根據權利要求4所述的方法，其特征在于，構建Graph?Spring神經ODE模型，包括：
6.?根據權利要求4所述的方法，其特征在于，在構建Graph?Spring神經ODE模型后，還包括：
7.根據權利要求4所述的方法，其特征在于，采用通道協調策略處理所述運行數據，包括：
8.?根據權利要求4所述的方法，其特征在于，將處理后的運行數據輸入訓練后的GraphSpring神經ODE模型，包括：
9.根據權利要求4所述的方法，其特征在于，在輸
10.一種大電流過載條件下的超級電容壽命預測的裝置，其特征在于，包括：
...【技術特征摘要】
1.一種大電流過載條件下的超級電容壽命預測的方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，根據所述測試參數，構建包含超級電容壽命變化函數和超級電容單體容值分布函數的數據集，包括：
3.根據權利要求1所述的方法，其特征在于，通過監測系統實時采集所述超級電容模組的運行數據，包括：
4.根據權利要求1所述的方法，其特征在于，基于所述數據集中的壽命變化函數和容值分布函數，結合所述運行數據，計算所述超級電容模組的剩余壽命次數，包括：
5.?根據權利要求4所述的方法，其特征在于，構建graph?sp...
【專利技術屬性】
技術研發人員：李翔，姜宇航，劉易菲，
申請(專利權)人：強鈞能源技術深圳有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。