超级电容器的老化会对电力系统产生消极影响,对超级电容器老化寿命进行实时估计,在超级电容器进入寿命终止状态之前完成更新,是保证储能系统和电力系统可靠性的关键步骤。本文通过构建一种新型极限学习机模型估计超级电容器的老化状态,实现基于数据驱动模型的超级电容器老化寿命预测。超级电容器老化模型具有多变量、非线性、高复杂度等特征,为了降低预测的复杂度,本文引入等效电容和等效串联电阻两个参数,等效电容代表超级电容器内部储能健康因子的集合;等效串联电阻代表超级电容器内部储能老化因子的集合。通过参数引入,超级电容器的老化特征被表示为等效电容的下降和等效串联电阻的上升,实现了老化模型的简化,为后面的老化寿命预测打下基础。针对超级电容器老化寿命预测,本文采用数据驱动模型预测方案,构建极限学习机用于预测超级电容器老化寿命。基于迭代误差小、参数设定少和最优解预测精度高等优势,启发式卡尔曼滤波算法可以解决极限学习机在随机生成输入权重和偏置量时出现的方阵奇异,继而提高极限学习机的预测精度。因此,本文构建启发式卡尔曼滤波优化的极限学习机用于预测超级电容器老化寿命。为了进一步验证启发式卡尔曼滤波优化极限学习机的预测精度,建立传统极限学习机和粒子群优化极限学习机,通过3种模型预测相同型号超级电容器的等效电容,得到预测结果并进行对比。对比结果表明,启发式卡尔曼滤波优化极限学习机具有更高的预测精度。因此,本文决定利用启发式卡尔曼滤波优化的极限学习机预测处于不同工况下的超级电容器健康状态和剩余使用寿命,预测结果表明,温度越高,外部电压越高,充放电电流越大,超级电容器健康状态衰退越快,剩余使用寿命越短。