CN114236410B - 基于新型生成式对抗神经网络的锂电池soh估计方法 - Google Patents
基于新型生成式对抗神经网络的锂电池soh估计方法 Download PDFInfo
- Publication number
- CN114236410B CN114236410B CN202111405285.3A CN202111405285A CN114236410B CN 114236410 B CN114236410 B CN 114236410B CN 202111405285 A CN202111405285 A CN 202111405285A CN 114236410 B CN114236410 B CN 114236410B
- Authority
- CN
- China
- Prior art keywords
- soh
- neural network
- data
- current
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于新型生成式对抗神经网络的锂电池SOH估计方法,该生成式对抗神经网络由多模型集成的学习器作为生成器,由多层感知机神经网络作为判别器组合而成。该模型利用生成式对抗神经网络框架内部生成器和判别器的相互博弈,交替迭代生成器与判别器内部参数,最后利用训练好的生成器进行锂电池SOH估计。在生成器每个批次训练中,本发明首先根据生成器SOH估计值与真实值建立损失函数并更新权重,然后根据判别器对生成器SOH估计值的判断,建立新的损失函数并额外进行一次权重更新,从而提升SOH估计精度。
Description
技术领域
本发明涉及锂离子电池技术领域,尤其涉及一种基于新型生成式对抗神经网络的锂电池SOH估计方法。
背景技术
随着传统能源的减少,可再生能源的并网使用日益收到重视,但可再生能源自身的不稳定特性给电网带来了一系列挑战,包括频率波动、电压瞬变和电能质量等问题。电池储能系统,拥有频率调节、削峰填谷和电压支持等功能,将广泛应用于新型电力系统。锂电池由于有着能量密度高、使用寿命长的优点,常被广泛用于储能系统。然而,在锂电池使用过程中,随着电池充放电循环次数的增加,电池内部会发生一些不可逆的化学反应,导致内阻增大,可用容量减少,不可逆转的电池老化特性容易造成安全问题。因此,为了在最大程度地降低事故发生风险,提高系统的安全性和可靠性,储能系统需要对锂电池的健康状态(State of Health,SOH)进行准确估计。
目前用于锂电池SOH估计的方法主要有直接测量法、基于模型的方法和数据驱动方法。其中,直接测量法鲁棒性较差,对测量仪器要求较高,不适合推广应用。基于模型的方法难以同时兼顾模型计算量和SOH估计精度。当模型参数较多时,SOH估计精度较高但计算复杂;当模型参数较少时,则反之。数据驱动方法不用考虑电池内部变化机理,仅仅通过电池老化过程所测量到的数据和机器学习的方法来实现对锂电池SOH的估计。
现有用于锂电池SOH估计的数据驱动方法的训练流程概述为:将一个批次的数据输入数据驱动模型,经过前向传播,数据驱动模型得出SOH估计值,利用SOH估计值与对应的SOH真实值求出损失函数,最后利用损失函数对数据驱动模型内部参数进行权重更新,至此完成一个批次的训练。然而,现有数据驱动模型往往使用单一损失函数进行模型训练,且每个批次只进行一次模型内部权重的更新。由于损失函数在一定程度上决定了模型内部权重更新的方向,因此通过单一损失函数将模型训练成为强学习器具有较大难度。而且,一个批次的数据仅实现一次模型内部权重的更新,导致了单批次数据的利用率较低。除此之外,目前数据驱动方法往往基于一种或两种数据驱动模型实现锂电池SOH估计,导致数据驱动模型无法实现对复杂函数关系的精准拟合。
发明内容
鉴于上述现有技术的不足之处,本发明的目的在于提供一种基于新型生成式对抗神经网络的锂电池SOH估计方法,利用生成式对抗神经网络框架中的生成器进行锂电池SOH估计。与传统损失函数相比,该生成器新增一种与判别器相互博弈所产生的损失函数,并在批次训练中,利用上述两种损失函数实现生成器双重权重更新。同时,生成器采用集成学习框架,通过将多种模型相结合的方式来提高模型对各类函数关系的学习能力。本发明解决了现有数据驱动估计方法中损失函数单一、单批次数据的利用率较低及无法实现复杂函数关系精确拟合的问题。
有鉴于此,本发明提供了一种基于新型生成式对抗神经网络的锂电池SOH估计方法,其特征在于,包括:
S1:将H个同型号的电池进行恒流恒压充电和恒流放电,循环充放电直至电池SOH从100%降至70%,记录电池每个充放电循环中各时间段的电压、电流、温度以及该循环所对应的SOH值,组成原始数据集;
S2:将步骤S1所述的原始数据集进行归一化处理,然后将处理后的数据按30%、50%和20%的比例随机划分为训练集A、训练集B和测试集;
S3:搭建新型生成式对抗神经网络的生成器结构,所述生成器包括P个基学习器、Stacking融合模型、Bagging融合模型和单层BP神经网络;搭建新型生成式对抗神经网络的判别器结构,所述判别器采用多层感知机神经网络,步骤3具体步骤如下:
S301:搭建P个基于不同机器学习方法的基学习器,包括支持向量回归、神经网络、决策树、极限树、K近邻模型、线性回归,初始化上述P个基学习器的内部参数,并将每个基学习器都设置为可训练状态;
S302:将步骤S301所述的P个基学习器分别进行Stacking融合和Bagging融合,得到Stacking融合模型和Bagging融合模型,初始化上述Stacking融合模型和Bagging融合模型的内部参数,并将两个融合模型都设置为可训练状态;
S303:搭建隐藏元个数为P+2单层BP神经网络模型,初始化上述单层BP神经网络模型的内部参数,并将BP神经网络设置为可训练状态;
S304:步骤S301的P个基学习器、步骤S302的Stacking融合模型和Bagging融合模型,共有P+2个输出,作为步骤S303中单层BP神经网络模型的输入;
S305:搭建新型生成式对抗神经网络判别器结构,所述判别器采用多层感知机神经网络;
S4:将步骤S3所述的P个基学习器、Stacking融合模型、Bagging融合模型设置为可训练状态,将步骤S3所述的单层BP神经网络和多层感知机神经网络设置为不可训练状态,采用步骤S2所述的训练集A分别训练步骤S3所述的P个基学习器、Stacking融合模型、Bagging融合模型;
S5:将经过步骤S4训练的P个基学习器、Stacking融合模型、Bagging融合模型设置为不可训练状态,同时将步骤S3所述的单层BP神经网络和多层感知机神经网络设置为可训练状态,然后采用步骤S2所述的训练集B来交替训练生成器和判别器,形成生成器双重权重更新机制,步骤5具体步骤如下:
S501:将步骤S4所述的P个基学习器、Stacking融合模型、Bagging融合模型设置为不可训练状态,初始化步骤S3中的单层BP神经网络和多层感知机神经网络内部参数,并将单层BP神经网络和多层感知机神经网络设置为可训练状态;
S502:将步骤S2所述的训练集B训练轮次设置为J,并将训练集B等量划分为K个批次,每个批次包含M条数据;
S503:采用步骤S2所述的训练集B进行步骤S502第1轮次的生成器和判别器迭代训练;
S504:将当前轮次第k个批次的数据分别输入P个基学习器、Stacking融合模型和Bagging融合模型,得到当前轮次第k个批次中M条数据的单层BP神经网络SOH估计值,其中第i条数据的单层BP神经网络SOH估计值计算过程为:
SOHpredki=W1k×SOH1ki+W2k×SOH2ki+…+WPk×SOHPki+W(P+1)k×SOH(P+1)ki+W(P+2)k×SOH(P+2)ki (1)
其中k∈[1,K],i∈[1,M],SOH1ki、SOH2ki、…、SOHPki分别为P个基学习器对当前轮次第k个批次第i条数据的SOH估计值,SOH(P+1)ki和SOH(P+2)ki分别为Stacking融合模型和Bagging融合模型对当前轮次第k个批次第i条数据SOH的估计值,W1k、W2k、…、W(P+1)k、W(P+2)k分别为BP神经网络当前轮次第k个批次中未更新前的权重;
S505:将步骤S504所述的单层BP神经网络第k批次每条数据SOH估计值作为特征,0作为标签,构建成一条样本数据,其中第i条数据所对应的样本数据表示如下:
将第k批次每条数据SOH真实值作为特征,1作为标签,构建成一条样本数据,其中第i条数据所对应的样本数据表示如下:
其中,SOHrealki为当前轮次第k个批次第i条数据的真实SOH值;
S506:将步骤S505中的所有的样本数据整合成数据集DKD,该DKD的表述如下:
S507:将步骤S506中所述的数据集DKD输入多层感知机神经网络,通过第一损失函数lossD进行当前轮次第k个批次中判别器的权重更新,该第一损失函数lossD表述如下:
其中lossD1和lossD2的计算公式如公式(3)和公式(4)所示:
S508:将步骤S504所述的P个基学习器、Stacking融合模型和Bagging融合模型第k批次每条数据SOH估计值作为特征,对应的SOH真实值作为标签,构建成一条样本数据,其中第i条数据所对应的样本数据表示如下:
S511:将步骤S504所述的单层BP神经网络第k批次每条数据SOH估计值作为特征,1作为标签,构建成一条样本数据,其中第i条数据所对应的样本数据表示如下:
S514:依次执行步骤S502第2、3、…、J轮次的生成器和判别器迭代训练,每个轮次循环执行步骤S504至S513;
S6:采用步骤S2所述的测试集对经过步骤S5训练的生成器进行评估,若满足预设精度要求,则保存生成器,否则返回步骤S4;
S7:将步骤S6评估通过的生成器用于锂电池SOH估计。
本发明中,步骤S1所述将H个同型号的电池进行恒流恒压充电和恒流放电,循环充放电直至电池SOH从100%降至70%,记录电池每个充放电循环中各时间段的电压、电流、温度以及该循环所对应的SOH值,组成原始数据集,具体步骤如下:
S101:将H个同型号的电池进行恒流恒压充电,每当电池电量升高ΔQ%,则记录一次当前电池电压、电流和温度的数据,直至锂电池电量充满,第n个电池在此次充电过程所测量到的数据表示如下:
其中UtΔQ%n、ItΔQ%n、TtΔQ%n分别表示当电池电量升高至tΔQ%时,第n个电池所测量到的电压、电流和温度的数据;
S102:将充满电的H个电池进行恒流放电,直至电池电压低于其截止电压;
S103:利用安时积分法分别求出步骤S102所述H个电池放出的总电量,分别记为当前最大容量,并将H个电池的当前最大容量与厂家给出的标称容量的比值分别作为当前H个锂电池的SOH值,第n个电池SOH计算公式表示如下:
其中Cmaxn为第n个电池当前最大容量,C0为厂家给出的标称容量;
S104:将每个电池在步骤S101测量得到电池电压、电流和温度的数据作为特征,步骤S103计算得到SOH数据作为标签,构建成原始数据集中的一条样本数据,第n个电池的样本数据表示如下:
S105:循环执行步骤S101至S104,直至H个锂电池SOH分别降至70%。
由此得出,本发明具有以下优点:
在生成式对抗神经网络框架下,本发明提出了基于判别器判别值与生成器SOH估计值的损失函数lossG2。基于生成器SOH估计值与SOH真实值的损失函数lossG1,结合所提出的损失函数lossG2,一同用于生成器的SOH估计训练中。在一个批次的训练过程中,生成器分别基于不同类型的损失函数进行两次模型内部权重更新。同时,本发明将集成学习思想引入生成器,提高了生成器对各类函数关系的学习能力。本发明解决了现有数据驱动估计方法中损失函数单一、单批次数据的利用率较低及无法实现复杂函数关系精确拟合的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明提出的基于新型生成式对抗神经网络的锂电池SOH估计方法的流程图;
图2为本发明基于集成学习方法提出的生成器结构图;
图3为本发明提出的判别器结构图;
图4为本发明提出的基于新型生成式对抗神经网络的锂电池SOH估计方法的结构图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
如图1所示,为本发明实施例中,提出基于新型生成式对抗神经网络的锂电池SOH估计方法,包括一下步骤:
S1:将H个同型号的电池进行恒流恒压充电和恒流放电,循环充放电直至电池SOH从100%降至70%,记录电池每个充放电循环中各时间段的电压、电流、温度以及该循环所对应的SOH值,组成原始数据集;
S2:将步骤S1所述的原始数据集进行归一化处理,然后将处理后的数据按30%、50%和20%的比例随机划分为训练集A、训练集B和测试集;
S3:搭建新型生成式对抗神经网络的生成器结构,所述生成器包括P个基学习器、Stacking融合模型、Bagging融合模型和单层BP神经网络;搭建新型生成式对抗神经网络的判别器结构,所述判别器采用多层感知机神经网络;
S4:将步骤S3所述的P个基学习器、Stacking融合模型、Bagging融合模型设置为可训练状态,将步骤S3所述的单层BP神经网络和多层感知机神经网络设置为不可训练状态,采用步骤S2所述的训练集A分别训练步骤S3所述的P个基学习器、Stacking融合模型、Bagging融合模型;
S5:将经过步骤S4训练的P个基学习器、Stacking融合模型、Bagging融合模型设置为不可训练状态,同时将步骤S3所述的单层BP神经网络和多层感知机神经网络设置为可训练状态,然后采用步骤S2所述的训练集B来交替训练生成器和判别器,形成生成器双重权重更新机制;
S6:采用步骤S2所述的测试集对经过步骤S5训练的生成器进行评估,若满足预设精度要求,则保存生成器,否则返回步骤S4;
S7:将步骤S6评估通过的生成器用于锂电池SOH估计。
本方案中,步骤S1所述将H个同型号的电池进行恒流恒压充电和恒流放电,循环充放电直至电池SOH从100%降至70%,记录电池每个充放电循环中各时间段的电压、电流、温度以及该循环所对应的SOH值,组成原始数据集,具体步骤如下:
S101:将H个同型号的电池进行恒流恒压充电,每当电池电量升高ΔQ%,则记录一次当前电池电压、电流和温度的数据,直至锂电池电量充满,第n个电池在此次充电过程所测量到的数据表示如下:
其中UtΔQ%n、ItΔQ%n、TtΔQ%n分别表示当电池电量升高至tΔQ%时,第n个电池所测量到的电压、电流和温度的数据;
S102:将充满电的H个电池进行恒流放电,直至电池电压低于其截止电压;
S103:利用安时积分法分别求出步骤S102所述H个电池放出的总电量,分别记为当前最大容量,并将H个电池的当前最大容量与厂家给出的标称容量的比值分别作为当前H个锂电池的SOH值,第n个电池SOH计算公式表示如下:
其中Cmaxn为第n个电池当前最大容量,C0为厂家给出的标称容量;
S104:将每个电池在步骤S101测量得到电池电压、电流和温度的数据作为特征,步骤S103计算得到SOH数据作为标签,构建成原始数据集中的一条样本数据,第n个电池的样本数据表示如下:
S105:循环执行步骤S101至S104,直至H个锂电池SOH分别降至70%。
本方案中,步骤S2所述原始数据集归一化处理,然后将处理后的数据按30%、50%和20%的比例随机划分为训练集A、训练集B和测试集。其中训练集A用于生成器中基学习器、Stacking融合模型和Bagging融合模型的训练,训练集B用于生成器中单层BP神经网络和判别网络的训练,测试集用于生成器的测试。
本方案中,生成器结构图见图2,该生成器包括P个基学习器、Stacking融合模型、Bagging融合模型和单层BP神经网络。判别器结构图见3,该判别器是一个由神经元分别为8、12、10、1的4层全连接层所组成的多层感知机神经网络。步骤S3所述搭建新型生成式对抗神经网络的生成器和判别器结构的具体步骤如下:
S301:搭建P个基于不同机器学习方法的基学习器,包括支持向量回归、神经网络、决策树、极限树、K近邻模型、线性回归,初始化上述P个基学习器的内部参数,并将每个基学习器都设置为可训练状态;
S302:将步骤S301所述的P个基学习器分别进行Stacking融合和Bagging融合,得到Stacking融合模型和Bagging融合模型,初始化上述Stacking融合模型和Bagging融合模型的内部参数,并将两个融合模型都设置为可训练状态;
S303:搭建隐藏元个数为P+2单层BP神经网络模型,初始化上述单层BP神经网络模型的内部参数,并将BP神经网络设置为可训练状态;
S304:步骤S301的P个基学习器、步骤S302的Stacking融合模型和Bagging融合模型,共有P+2个输出,作为步骤S303中单层BP神经网络模型的输入;
S305:搭建新型生成式对抗神经网络判别器结构,所述判别器采用多层感知机神经网络。
本方案中,步骤S4所述将步骤S3所述的P个基学习器、Stacking融合模型、Bagging融合模型设置为可训练状态,将步骤S3所述的单层BP神经网络和多层感知机神经网络设置为不可训练状态,采用步骤S2所述的训练集A分别训练步骤S3所述的P个基学习器、Stacking融合模型、Bagging融合模型,其中不同类型的P个基学习器增加了生成器对复杂函数关系的学习能力,拥有较好的SOH估计精度的Stacking融合模型和Bagging融合模型保证了生成器对锂电池SOH估计最基本的估计精度。
本方案中,步骤S5所述的将经过步骤S4训练的P个基学习器、Stacking融合模型、Bagging融合模型设置为不可训练状态,同时将步骤S3所述的单层BP神经网络和多层感知机神经网络设置为可训练状态,然后采用步骤S2所述的训练集B来交替训练生成器和判别器,形成生成器双重权重更新机制,基于生成式对抗神经网络的SOH估计结构图如图4所述,具体训练步骤如下:
S501:将步骤S4所述的P个基学习器、Stacking融合模型、Bagging融合模型设置为不可训练状态,初始化步骤S3中的单层BP神经网络和多层感知机神经网络内部参数,并将单层BP神经网络和多层感知机神经网络设置为可训练状态;
S502:将步骤S2所述的训练集B训练轮次设置为J,并将训练集B等量划分为K个批次,每个批次包含M条数据;
S503:采用步骤S2所述的训练集B进行步骤S502第1轮次的生成器和判别器迭代训练;
S504:将当前轮次第k个批次的数据分别输入P个基学习器、Stacking融合模型和Bagging融合模型,得到当前轮次第k个批次中M条数据的单层BP神经网络SOH估计值,其中第i条数据的单层BP神经网络SOH估计值计算过程为:
SOHpredki=W1k×SOH1ki+W2k×SOH2ki+…+WPk×SOHPki+W(P+1)k×SOH(P+1)ki+W(P+2)k×SOH(P+2)ki (2)
其中k∈[1,K],i∈[1,M],SOH1ki、SOH2ki、…、SOHPki分别为P个基学习器对当前轮次第k个批次第i条数据的SOH估计值,SOH(P+1)ki和SOH(P+2)ki分别为Stacking融合模型和Bagging融合模型对当前轮次第k个批次第i条数据SOH的估计值,W1k、W2k、…、W(P+1)k、W(P+2)k分别为BP神经网络当前轮次第k个批次中未更新前的权重;
S505:将步骤S504所述的单层BP神经网络第k批次每条数据SOH估计值作为特征,0作为标签,构建成一条样本数据,其中第i条数据所对应的样本数据表示如下:
将第k批次每条数据SOH真实值作为特征,1作为标签,构建成一条样本数据,其中第i条数据所对应的样本数据表示如下:
其中,SOHrealki为当前轮次第k个批次第i条数据的真实SOH值;
S506:将步骤S505中的所有的样本数据整合成数据集DKD,该DKD的表述如下:
S507:将步骤S506中所述的数据集DKD输入多层感知机神经网络,通过第一损失函数lossD进行当前轮次第k个批次中判别器的权重更新,该第一损失函数lossD表述如下:
其中lossD1和lossD2的计算公式如公式(4)和公式(5)所示:
S508:将步骤S504所述的P个基学习器、Stacking融合模型和Bagging融合模型第k批次每条数据SOH估计值作为特征,对应的SOH真实值作为标签,构建成一条样本数据,其中第i条数据所对应的样本数据表示如下:
S511:将步骤S504所述的单层BP神经网络第k批次每条数据SOH估计值作为特征,1作为标签,构建成一条样本数据,其中第i条数据所对应的样本数据表示如下:
S514:依次执行步骤S502第2、3、…、J轮次的生成器和判别器迭代训练,每个轮次循环执行步骤S504至S513。
本方案中,步骤S6所述采用步骤S2所述的测试集对经过步骤S5训练的生成器进行评估,若满足预设精度要求,则保存生成器,否则返回步骤S4。
本方案中,步骤S7所述将步骤S6评估通过的生成器用于锂电池SOH估计。
Claims (2)
1.基于新型生成式对抗神经网络的锂电池SOH估计方法,其特征在于,包括:
S1:将H个同型号的电池进行恒流恒压充电和恒流放电,循环充放电直至电池SOH从100%降至70%,记录电池每个充放电循环中各时间段的电压、电流、温度以及该循环所对应的SOH值,组成原始数据集;
S2:将步骤S1所述的原始数据集进行归一化处理,然后将处理后的数据按30%、50%和20%的比例随机划分为训练集A、训练集B和测试集;
S3:搭建新型生成式对抗神经网络的生成器结构,所述生成器包括P个基学习器、Stacking融合模型、Bagging融合模型和单层BP神经网络;搭建新型生成式对抗神经网络的判别器结构,所述判别器采用多层感知机神经网络,步骤3具体步骤如下:
S301:搭建P个基于不同机器学习方法的基学习器,包括支持向量回归、神经网络、决策树、极限树、K近邻模型、线性回归,初始化上述P个基学习器的内部参数,并将每个基学习器都设置为可训练状态;
S302:将步骤S301所述的P个基学习器分别进行Stacking融合和Bagging融合,得到Stacking融合模型和Bagging融合模型,初始化上述Stacking融合模型和Bagging融合模型的内部参数,并将两个融合模型都设置为可训练状态;
S303:搭建隐藏元个数为P+2单层BP神经网络模型,初始化上述单层BP神经网络模型的内部参数,并将BP神经网络设置为可训练状态;
S304:步骤S301的P个基学习器、步骤S302的Stacking融合模型和Bagging融合模型,共有P+2个输出,作为步骤S303中单层BP神经网络模型的输入;
S305:搭建新型生成式对抗神经网络判别器结构,所述判别器采用多层感知机神经网络;
S4:将步骤S3所述的P个基学习器、Stacking融合模型、Bagging融合模型设置为可训练状态,将步骤S3所述的单层BP神经网络和多层感知机神经网络设置为不可训练状态,采用步骤S2所述的训练集A分别训练步骤S3所述的P个基学习器、Stacking融合模型、Bagging融合模型;
S5:将经过步骤S4训练的P个基学习器、Stacking融合模型、Bagging融合模型设置为不可训练状态,同时将步骤S3所述的单层BP神经网络和多层感知机神经网络设置为可训练状态,然后采用步骤S2所述的训练集B来交替训练生成器和判别器,形成生成器双重权重更新机制,步骤5具体步骤如下:
S501:将步骤S4所述的P个基学习器、Stacking融合模型、Bagging融合模型设置为不可训练状态,初始化步骤S3中的单层BP神经网络和多层感知机神经网络内部参数,并将单层BP神经网络和多层感知机神经网络设置为可训练状态;
S502:将步骤S2所述的训练集B训练轮次设置为J,并将训练集B等量划分为K个批次,每个批次包含M条数据;
S503:采用步骤S2所述的训练集B进行步骤S502第1轮次的生成器和判别器迭代训练;
S504:将当前轮次第k个批次的数据分别输入P个基学习器、Stacking融合模型和Bagging融合模型,得到当前轮次第k个批次中M条数据的单层BP神经网络SOH估计值,其中第i条数据的单层BP神经网络SOH估计值计算过程为:
SOHpredki=W1k×SOH1ki+W2k×SOH2ki+…+WPk×SOHPki+W(P+1)k×SOH(P+1)ki+W(P+2)k×SOH(P+2)ki(1)
其中k∈[1,K],i∈[1,M],SOH1ki、SOH2ki、…、SOHPki分别为P个基学习器对当前轮次第k个批次第i条数据的SOH估计值,SOH(P+1)ki和SOH(P+2)ki分别为Stacking融合模型和Bagging融合模型对当前轮次第k个批次第i条数据SOH的估计值,W1k、W2k、…、W(P+1)k、W(P+2)k分别为BP神经网络当前轮次第k个批次中未更新前的权重;
S505:将步骤S504所述的单层BP神经网络第k批次每条数据SOH估计值作为特征,0作为标签,构建成一条样本数据,其中第i条数据所对应的样本数据表示如下:
将第k批次每条数据SOH真实值作为特征,1作为标签,构建成一条样本数据,其中第i条数据所对应的样本数据表示如下:
其中,SOHrealki为当前轮次第k个批次第i条数据的真实SOH值;
S506:将步骤S505中的所有的样本数据整合成数据集DKD,该DKD的表述如下:
S507:将步骤S506中所述的数据集DKD输入多层感知机神经网络,通过第一损失函数lossD进行当前轮次第k个批次中判别器的权重更新,该第一损失函数lossD表述如下:
其中lossD1和lossD2的计算公式如公式(3)和公式(4)所示:
S508:将步骤S504所述的P个基学习器、Stacking融合模型和Bagging融合模型第k批次每条数据SOH估计值作为特征,对应的SOH真实值作为标签,构建成一条样本数据,其中第i条数据所对应的样本数据表示如下:
S511:将步骤S504所述的单层BP神经网络第k批次每条数据SOH估计值作为特征,1作为标签,构建成一条样本数据,其中第i条数据所对应的样本数据表示如下:
S514:依次执行步骤S502第2、3、…、J轮次的生成器和判别器迭代训练,每个轮次循环执行步骤S504至S513;
S6:采用步骤S2所述的测试集对经过步骤S5训练的生成器进行评估,若满足预设精度要求,则保存生成器,否则返回步骤S4;
S7:将步骤S6评估通过的生成器用于锂电池SOH估计。
2.根据权利要求1所述的基于新型生成式对抗神经网络的锂电池SOH估计方法,其特征在于,步骤S1所述将H个同型号的电池进行恒流恒压充电和恒流放电,循环充放电直至电池SOH从100%降至70%,记录电池每个充放电循环中各时间段的电压、电流、温度以及该循环所对应的SOH值,组成原始数据集,具体步骤如下:
S101:将H个同型号的电池进行恒流恒压充电,每当电池电量升高ΔQ%,则记录一次当前电池电压、电流和温度的数据,直至锂电池电量充满,第n个电池在此次充电过程所测量到的数据表示如下:
其中UtΔQ%n、ItΔQ%n、TtΔQ%n分别表示当电池电量升高至tΔQ%时,第n个电池所测量到的电压、电流和温度的数据;
S102:将充满电的H个电池进行恒流放电,直至电池电压低于其截止电压;
S103:利用安时积分法分别求出步骤S102所述H个电池放出的总电量,分别记为当前最大容量,并将H个电池的当前最大容量与厂家给出的标称容量的比值分别作为当前H个锂电池的SOH值,第n个电池SOH计算公式表示如下:
其中Cmaxn为第n个电池当前最大容量,C0为厂家给出的标称容量;
S104:将每个电池在步骤S101测量得到电池电压、电流和温度的数据作为特征,步骤S103计算得到SOH数据作为标签,构建成原始数据集中的一条样本数据,第n个电池的样本数据表示如下:
S105:循环执行步骤S101至S104,直至H个锂电池SOH分别降至70%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111405285.3A CN114236410B (zh) | 2021-11-24 | 2021-11-24 | 基于新型生成式对抗神经网络的锂电池soh估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111405285.3A CN114236410B (zh) | 2021-11-24 | 2021-11-24 | 基于新型生成式对抗神经网络的锂电池soh估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114236410A CN114236410A (zh) | 2022-03-25 |
CN114236410B true CN114236410B (zh) | 2022-06-24 |
Family
ID=80751017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111405285.3A Active CN114236410B (zh) | 2021-11-24 | 2021-11-24 | 基于新型生成式对抗神经网络的锂电池soh估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114236410B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115015760A (zh) * | 2022-05-10 | 2022-09-06 | 香港中文大学(深圳) | 基于神经网络、迁移集成学习的锂电池健康状态评估方法 |
CN115470742B (zh) * | 2022-10-31 | 2023-03-14 | 中南大学 | 一种锂离子电池建模方法、系统、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127412A (zh) * | 2019-12-18 | 2020-05-08 | 广东工业大学 | 一种基于生成对抗网络的病理图像识别装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2678648A1 (en) * | 2008-09-15 | 2010-03-15 | Robert Nicolucci | Siting plan systems and methods |
CN110308397B (zh) * | 2019-07-30 | 2021-04-02 | 重庆邮电大学 | 一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法 |
WO2021017416A1 (zh) * | 2019-07-30 | 2021-02-04 | 重庆邮电大学 | 一种感知对抗生成下的深度压缩动力锂电池故障诊断方法 |
EP3789930A1 (en) * | 2019-09-06 | 2021-03-10 | Universität Bern | Method and system for data validation |
CN111007399B (zh) * | 2019-11-15 | 2022-02-18 | 浙江大学 | 基于改进生成对抗网络的锂电池荷电状态预测方法 |
US11335131B2 (en) * | 2019-11-19 | 2022-05-17 | International Business Machines Corporation | Unmanned aerial vehicle maintenance and utility plan |
CN111445007B (zh) * | 2020-03-03 | 2023-08-01 | 平安科技(深圳)有限公司 | 对抗生成神经网络的训练方法及系统 |
CN112269134B (zh) * | 2020-09-10 | 2022-12-02 | 杭州电子科技大学 | 一种基于深度学习的电池soc和soh联合估计方法 |
CN112834945A (zh) * | 2020-12-31 | 2021-05-25 | 东软睿驰汽车技术(沈阳)有限公司 | 评估模型建立方法、电池健康状态评估方法及相关产品 |
CN113283476B (zh) * | 2021-04-27 | 2023-10-10 | 广东工业大学 | 一种物联网网络入侵检测方法 |
CN113140017B (zh) * | 2021-04-30 | 2023-09-15 | 北京百度网讯科技有限公司 | 训练对抗网络模型的方法、建立字库的方法、装置和设备 |
CN113408138B (zh) * | 2021-06-29 | 2022-01-07 | 广东工业大学 | 一种基于二次融合的锂电池soh估计方法和系统 |
-
2021
- 2021-11-24 CN CN202111405285.3A patent/CN114236410B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127412A (zh) * | 2019-12-18 | 2020-05-08 | 广东工业大学 | 一种基于生成对抗网络的病理图像识别装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114236410A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11293987B2 (en) | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method | |
CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
CN114236410B (zh) | 基于新型生成式对抗神经网络的锂电池soh估计方法 | |
CN103926538B (zh) | 基于aic准则的变阶数rc等效电路模型及实现方法 | |
CN105021994B (zh) | 一种检测电池组内单体电池一致性的方法和装置 | |
Thirugnanam et al. | Mathematical modeling of Li-ion battery for charge/discharge rate and capacity fading characteristics using genetic algorithm approach | |
CN110488202A (zh) | 基于深度神经网络的车辆电池荷电状态估计方法 | |
CN103869251B (zh) | 二次电池最大容量测量装置 | |
CN106055775A (zh) | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 | |
CN112986830A (zh) | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 | |
CN111579993B (zh) | 一种基于卷积神经网络的锂电池容量在线估计方法 | |
CN109839599A (zh) | 基于二阶ekf算法的锂离子电池soc估计方法 | |
Li et al. | The lithium-ion battery state-of-charge estimation using random forest regression | |
CN103424712A (zh) | 基于粒子群优化的电池剩余容量在线测量方法 | |
CN107340476A (zh) | 电池的电气状态监测系统和电气状态监测方法 | |
CN116930788A (zh) | 一种基于堆叠模型的储能电站锂电池容量估计方法 | |
Han et al. | A new SOH prediction model for lithium-ion battery for electric vehicles | |
Bezha et al. | Predicting Voltage Characteristic of Charging Model for Li-Ion Battery with ANN for Real Time Diagnosis | |
CN115621573A (zh) | 一种储能电站锂电池健康状态预测系统及方法 | |
CN114895209A (zh) | 面向锂电池少循环的二维支持域直推式健康状态预测方法 | |
Wang et al. | Neural Network-Based State of Charge Estimation Method for Lithium-ion Batteries Based on Temperature. | |
Wang et al. | Online Capacity Estimation of Lithium-ion Batteries by Partial Incremental Capacity Curve | |
TW201526459A (zh) | 利用田口直交表及模糊演算法之多階段鋰電池充電電流決定方法 | |
Lillystone et al. | State of health estimation of lithium-ion batteries based on data-driven techniques | |
Crocioni et al. | Li-Ion Batteries Releasable Capacity Estimation with Neural Networks on Intelligent IoT Microcontrollers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Zhang Hongtao Inventor after: Chen Sizhe Inventor after: Ke Chunkai Inventor before: Zhang Hongtao |
|
GR01 | Patent grant | ||
GR01 | Patent grant |