基于生物质衍生碳材料的超级电容器的比电容预测方法

本发明生物质衍生碳材料，涉及一种超级电容器的比电容预测方法，具体涉及一种基于生物质衍生碳材料的超级电容器的比电容预测方法。

背景技术：

1、随着全球能源需求不断增长，开发新型高效储能装置备受关注。其中，超级电容器因功率密度高、循环寿命长、使用温度范围广等优点，被视为最具潜力的储能设备之一。尽管应用广泛，制造商仍追求更高能量密度的超级电容器，以满足交通、能源和航天等领域需求。由于能量密度与电容成正比，研究人员热衷于提高碳基电极的比电容来增强超级电容器性能。比电容是介电体相对于真空的电容性质度量，反映了介电体在电场中存储电荷的能力。传统上，研究人员通过掺杂等方法为超级电容器提供更大比电容值，但涉及大量劳动密集型实验，耗时且成本高昂。如何判断生物质衍生碳材料是否具有高比电容成为难题。机器学习算法的发展为此提供了解决途径。在生物质研究中，各种机器学习模型被应用于确定多个变量对储能器件电化学性能的影响，在预测复杂非线性反应过程方面发挥重要作用。过去几十年，已开发多种理论模型和经验关联式，阐明热解条件和生物质特性对比电容的影响。

2、虽然机器学习模型在生物炭的预测领域已经取得重大突破，现有的研究大都是采用对比电容产生间接影响的中间测量变量(比电容、孔体积等)作为预测模型的输入条件，实际上这些中间变量测量起来是十分繁琐，并且耗时耗力的，而生物质原料的基本组成信息是影响生物质炭的关键因素，才是影响碳基超级电容器比电容的源头变量，这些参数是通过实验测定得到的，相对于中间变量(比电容、孔体积等)更容易获得，更具有可操作性和实验验证的可行性，但是目前还没有相关研究将从生物质原材料特性的角度预测基于生物质衍生碳材料的超级电容器的比电容。

技术实现思路

1、为了提高基于生物质衍生碳材料的超级电容器的比电容的预测精度，本发明提供了一种基于生物质衍生碳材料的超级电容器的比电容预测方法。

2、本发明的目的是通过以下技术方案实现的：

3、一种基于生物质衍生碳材料的超级电容器的比电容预测方法，包括如下步骤：

4、步骤s1、基于文献报道的不同农业生物质废弃物作为超级电容器活性炭电极前体的实验收集与比电容相关的数据，构建用于比电容预测的数据集；

5、步骤s2、对步骤s1得到的用于比电容预测的数据集中的数据进行数据筛选、缺失数据的填充；

6、步骤s3、将步骤s2经过处理的用于比电容预测的数据集根据输入条件的不同划分为七个数据子集；

7、步骤s4、构建比电容预测模型，对步骤s3得到的数据分为训练集和测试集，训练集用于构建比电容预测模型，测试集用于测试比电容预测模型的准确性，对比电容预测模型进行训练，得到较好的比电容预测模型；

8、步骤s4、将步骤s3得到的数据分为训练集和测试集，训练集用于构建比电容lightgbm预测模型，测试集用于测试比电容lightgbm预测模型的准确性，对比电容lightgbm预测模型进行训练，得到较好的比电容lightgbm预测模型，构建比电容lightgbm预测模型的具体步骤如下：

9、步骤s41、基于histogram的决策树算法：

10、寻找分割点并构建叶子节点的直方图时，先计算直方图小的叶子节点，利用直方图做差获得直方图大的叶子节点，遍历每一个bin并累加所有节点的梯度sl和节点数量nl，求得增益，选择最大的增益节点作为最优分割点；

11、sr＝sp-sl

12、nr＝np-nl

13、

14、其中，sp为所有节点的梯度和，np为所有节点数量，sl为分割点左边所有节点梯度和，nl为分割点左边所有节点数量，sr为分割点右边所有节点梯度和，nr为分割点左边所有节点数量，δloss是损失函数的减少量；

15、步骤s42、单边梯度采样goss算法：

16、步骤s421、对步骤s41求得的增益排序，选取其中a×100％的大梯度样本数据a，从剩余(1-a)×100％样本中选取b×100％小梯度样本数据b；

17、步骤s422、将小梯度样本数据放大(1-a)/b×100％倍，将大梯度样本数据和放大后的小梯度样本数据合并，形成新的训练数据集，然后使用这个合并后的数据集进行模型训练；

18、步骤s43、互斥特征捆绑算法(efb)：

19、使用efb将互斥的特征绑定为一个特征，达到降维的目的；

20、步骤s44、pso(particle swarm optimization)算法：

21、用带深度限制的leaf-wise的叶子生长策略，将lightgbm超参数作为pso算法的输入，计算输出mse均方误差，作为pso适应度函数，寻求rmse的最低值，且未防止过拟合设置early_stopping_rounds＝10；

22、s4.5、将步骤s3得到的数据处理后的用于比电容预测数据集中的所有特征进行皮尔逊相关系数分析，然后对步骤s4.4优化后的模型进行shap值分析计算；

23、步骤s5、对步骤s4得到的比电容的预测结果进行特征评估。

24、一种电子设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述比电容预测方法的步骤。

25、一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述比电容预测方法。

26、相比于现有技术，本发明具有如下优点：

27、本发明致力于从生物质原材料特性的角度出发，对生物质衍生碳材料的超级电容器领域的主要指标比电容进行建模预测分析，进一步提升比电容的预测精度。本发明可用于指导具有较好的比电容的工程生物炭的实验研究。

技术特征：

1.一种基于生物质衍生碳材料的超级电容器的比电容预测方法，其特征在于所述方法包括如下步骤：

2.根据权利要求1所述的基于生物质衍生碳材料的超级电容器的比电容预测方法，其特征在于所述步骤s1中，比电容数据包括取生物质原料的元素分析、工业分析、结构组成、活化条件、电流密度和比电容。

3.根据权利要求2所述的基于生物质衍生碳材料的超级电容器的比电容预测方法，其特征在于所述元素分析包括碳、氢、氧和氮的相对含量；工业分析包括水分、灰分、挥发物和固定碳的相对含量；结构组成包括纤维素、半纤维素和木质素的相对含量；活化条件包括活化温度、升温速率、停留时间以及活化剂与生物碳的比值，记为浸渍比。

4.根据权利要求1所述的基于生物质衍生碳材料的超级电容器的比电容预测方法，其特征在于所述步骤s2中，对步骤s1采集的比电容数据制作箱线图，对箱线图数据范围值之外的比电容数据进行数据清洗。

5.根据权利要求1所述的基于生物质衍生碳材料的超级电容器的比电容预测方法，其特征在于所述步骤s4中，构建比电容lightgbm预测模型的具体步骤如下：

6.根据权利要求5所述的基于生物质衍生碳材料的超级电容器的比电容预测方法，其特征在于所述可调参数包括基础学习最大树叶数、基础学习的最大树深度、要适应的提升树数量、学习速率。

7.根据权利要求5所述的基于生物质衍生碳材料的超级电容器的比电容预测方法，其特征在于所述皮尔逊相关系数r的计算表达式为：

8.根据权利要求1所述的基于生物质衍生碳材料的超级电容器的比电容预测方法，其特征在于所述步骤s5中，特征评估的计算表达式为：

9.一种电子设备，包括存储器和处理器，存储器存储有计算机程序，其特征在于所述处理器执行计算机程序时实现权利要求1-8任一项所述比电容预测方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于所述计算机程序被处理器执行时实现权利要求1-8任一项所述比电容预测方法。

技术总结本发明公开了一种基于生物质衍生碳材料的超级电容器的比电容预测方法，所述方法如下：S1、构建用于比电容预测的数据集；S2、对数据集中的数据进行数据筛选、缺失数据的填充；S3、将经过处理的用于比电容预测的数据集根据输入条件的不同划分为七个数据子集；S4、将数据分为训练集和测试集，训练集用于构建比电容LightGBM预测模型，测试集用于测试比电容LightGBM预测模型的准确性，对比电容LightGBM预测模型进行训练；S5、对比电容的预测结果进行特征评估。本发明致力于从生物质原材料特性的角度出发，对生物质衍生碳材料的超级电容器领域的主要指标比电容进行建模预测分析，进一步提升比电容的预测精度。技术研发人员：赵晨希,陆雪莹,夏琪,岳雯静,杨行,涂欢宇,王思雨受保护的技术使用者：哈尔滨理工大学技术研发日：技术公布日：2024/7/29