超级电容器被应用于提供峰值功率需求及储存制动能量等诸多领域中,上述应用对超级电容器的可靠性和使用寿命要求极高。对于高功率、高循环以及免维护的储能系统,超级电容器的特性符合上述应用场合的要求。超级电容器由于本身的老化、制造工艺的不完善等原因将导致能量密度和功率密度降低,最终致使其失效。为避免储能系统的瘫痪,在器件故障之前进行干预,精确追踪超级电容器的老化程度并及时在器件达到寿命终止状态之前完成更换,这对提高储能系统的可靠性意义重大。超级电容器的老化是一个涉及多变量的非线性复杂过程,为了强调研究内容的重点,本文抽象并简化超级电容器的物理模型,将等效电容参数引入以描述超级电容器的老化状态。利用循环寿命测试方法对超级电容器进行恒流充放电,收集并记录超级电容器的容量衰减数据集,为预测超级电容器的剩余使用寿命提供数据支撑。由于人工神经网络的自学习、联想存储和最优解追踪等优势能够很好的适应超级电容器老化的非线性以及高复杂度等特点。因此,本文将经典人工神经网络,如:反向传播神经网络、门控循环单元神经网络以及长短时记忆神经网络应用到超级电容器的剩余使用寿命分析预测当中,仿真并选出最佳网络模型。在此基础上,从综合正反方向调整权重以及扩展网络容量两个方面将模型升级为堆叠双向长短时记忆神经网络,实验结果表明该升级模型比基础模型的性能更优越。纵使循环神经网络在时间序列问题上表现优良,误差反向传播过程中的连乘效应引起的梯度爆炸和梯度消失问题依然存在,为改进上述缺陷本文提出时间卷积网络。时间卷积网络打破传统的循环网络框架,其中的残差模块由扩张卷积、权重归一化层、Relu非线性函数以及Dropout正则化堆叠两层而成,这导致产生梯度消失的条件更加严苛,从而削弱上述问题。再者,其中跳跃连接的存在可克服堆叠网络层的退化问题。为进一步防止模型过拟合,本文中应用早停法技术来限制训练程度。仿真表明,时间卷积网络能进一步提升追踪超级电容器老化状态的精确度。为优化模型鲁棒性,本文对时间卷积网络的初始权重和阈值利用改进粒子群优化算法择优筛选。将粒子群优化算法中的定值:惯性权重ω、个体极值的最大飞行步长c1以及全局极值的最大飞行步长c2优化为自适应的平衡局部搜索和全局寻优能力的变量。为提升算法收敛于全局最优解的机率,本文引入模拟退火算法,以Metropolis准则计算接受劣于当前解的概率,并以此提升跳出局部并趋于全局最优解的概率。最后,仿真比较了未优化、传统粒子群以及改进粒子群优化的时间卷积网络,验证了该方法的高精度和鲁棒性。