CN114545255B - 基于竞争型生成式对抗神经网络的锂电池soc估计方法 - Google Patents
基于竞争型生成式对抗神经网络的锂电池soc估计方法 Download PDFInfo
- Publication number
- CN114545255B CN114545255B CN202210052447.8A CN202210052447A CN114545255B CN 114545255 B CN114545255 B CN 114545255B CN 202210052447 A CN202210052447 A CN 202210052447A CN 114545255 B CN114545255 B CN 114545255B
- Authority
- CN
- China
- Prior art keywords
- training set
- generator
- batch
- soc
- new training
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- 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
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Abstract
本发明公开了一种基于竞争型生成式对抗神经网络的锂电池SOC估计方法,该网络由多个生成器和一个判别器构成。采集锂电池的各类特征数据,并根据不同特征组合,从原始数据集中生成多个新数据集并将其分别输入各生成器中进行训练。利用生成器与判别器之间的相互博弈,交替迭代各生成器与判别器内部参数,同时每间隔一定训练批次淘汰SOC估计精度最低的生成器。利用保留到最后的生成器进行锂电池SOC估计。本发明利用特征与特征之间的竞争实现了特征选择机制,利用生成器与生成器之间的竞争实现了生成器相互促进机制和生成器淘汰机制,利用生成器与判别器之间的竞争实现了各生成器权重更新机制,从而提升了锂电池SOC估计精度。
Description
技术领域
本发明涉及锂电池技术领域,尤其涉及一种基于竞争型生成式对抗神经网络的锂电池SOC估计方法。
背景技术
锂电池具有能量密度高及使用寿命长等优点,因此被广泛应用于各个领域当中,而电池荷电状态(SOC)的高精度估计则是科学使用锂电池的重要依据。
目前锂电池SOC估计的方法主要有安时积分法、模型法和数据驱动法。安时积分法操作方便,原理简单,但是对电流传感器的测量精度要求较高;模型法可以模拟电池内部化学变化,具有较高的SOC估计精度,但是复杂的建模过程计算量较大,不利于锂电池SOC的在线估计;数据驱动法无需考虑锂离子电池内部电化学反应,直接通过电池运行过程中测量的数据和机器学习方法即可实现对锂电池SOC的估计。
当前数据驱动法对所选特征极为敏感,而合适的特征难以选取。目前主流方法是通过皮尔逊法、灰色关联分析法等算法来选取特征,但是特征相关度会随着锂电池类型的改变而出现较大波动。除此之外,现有基于单一模型的SOC估计方法极易出现估计结果不稳定的问题,而多模型的联合使用可以一定程度弥补因模型数量较少所导致的鲁棒性低的问题。然而现有多模型的相互配合往往是通过前一个模型的输出作为后一个模型的输入这种单一形式来实现的,并未深入到各模型训练阶段的相互配合,因此依旧存在SOC估计精度不高和估计结果不稳定的问题。
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竞争型生成式对抗神经网络的锂电池SOC估计方法。本发明一开始选定尽可能多的模型特征,并在锂电池充放电的过程中采集上述特征数据,从而形成原始数据集。本发明对众多特征进行不重复的组合,并根据不同特征组合从原始数据集中生成多个新数据集。多个新数据集连同原始数据集一同输入竞争型生成式对抗神经网络中,以实现对各生成器及判别器的训练。本发明将原本一个判别器对一个生成器的相互博弈变为了一个判别器对多个生成器的相互博弈,增加了每个训练批次中用于判别器训练的数据量,加快了判别器参数更新的速度及提高了参数更新的稳定性。将性能提升后的判别器分别用于各生成器的单独对抗,提升了各生成器的训练质量,从而实现以判别器为中介的生成器相互促进机制。除此之外,本发明每间隔一定训练批次便会淘汰当前SOC估计精度最低的生成器及该生成器所对应的新数据集,形成生成器淘汰机制及特征选择机制。本发明将判别器与生成器之间的传统竞争扩展为生成器与判别器之间、生成器与生成器之间、特征与特征之间的新型竞争,克服了现有数据驱动估计方法中模型特征难以选取、训练结果不稳定和SOC估计精度不高的问题。
有鉴于此,本发明提供了一种基于竞争型生成式对抗神经网络的锂电池SOC估计方法,其特征在于,包括:
S1:选定与锂电池SOC值联系密切相关且可以直接测量的K种物理特征,并在锂电池充放电的过程中采集上述特征数据,得到由特征数据构成的SOC锂电池数据集;
S2:将锂电池SOC数据集进行归一化处理,然后将处理后的数据集按60%和40%的比例随机划分为初始训练集和测试集;
S3:采用支持向量回归模型,搭建竞争型生成式对抗神经网络中的2K-1个生成器,分别记为生成器1、生成器2、…、生成器2K-1,并初始化各生成器内部参数;采用多层感知机神经网络,搭建竞争型生成式对抗神经网络中判别器,并初始化判别器内部参数;
S4:根据特征组合,从步骤S2所述的初始训练集中生成2K-1个新训练集并分别记为新训练集1、新训练集2、…、新训练集2K-1;将初始训练集、新训练集1、新训练集2、…、新训练集2K-1分别等量划分为批次1、批次2、…、批次J,将初始训练集的批次1、新训练集1的批次1、新训练集2的批次1、…、新训练集2K-1的批次1一同输入步骤S5;
S5:将当前批次中的新训练集1、新训练集2、…、新训练集2K-1分别用于生成器1、生成器2、…、生成器2K-1的训练;将当前批次中的初始训练集用于判别器的训练,通过生成器与判别器的相互博弈,实现各生成器和判别器的权重更新;
S6:判断当前批次是否是批次J,若是,则执行步骤S7,否则执行以下操作;判断当前批次编号是否为2K-2的整数倍数,若是,则淘汰当前批次SOC估计误差最高的生成器,然后批次编号加一并返回步骤S5,否则,直接批次编号加一并返回步骤S5,从而形成特征选择机制及生成器淘汰机制;
S7:采用步骤S2所述的测试集对步骤S6中保留到最后的生成器进行评估,若满足预设精度要求,则保存生成器,否则返回步骤S4;
S8:将步骤S7评估通过的生成器用于锂电池SOC估计。
本发明中,步骤S4所述根据特征组合,从步骤S2所述的初始训练集中生成2K-1个新训练集并分别记为新训练集1、新训练集2、…、新训练集2K-1;将初始训练集、新训练集1、新训练集2、…、新训练集2K-1分别等量划分为批次1、批次2、…、批次J,将初始训练集的批次1、新训练集1的批次1、新训练集2的批次1、…、新训练集2K-1的批次1一同输入步骤S5,具体步骤如下:
S401:从步骤S101中所选的K个物理特征取出x个特征,在不考虑排序的情况下进行不重复组合,其中x取值范围为1至K,因此根据公式(1)可获得V种特征组合:
S402:将步骤S2所述初始训练集中每一个样本,根据步骤S401中2K-1个组合,生成2K-1个新训练样本,按照此方法从初始训练集中生成2K-1个新训练集并分别记为新训练集1、新训练集2、…、新训练集2K-1,其中每个新训练集中各个样本的特征组合是一致的,新训练集之间的样本特征组合是互不相同的,其中初始训练集第g个样本生成2K-1个新训练样本的过程如下所示:
其中和分别为初始训练集第g个样本和新训练集i第g个样本,(F1,g、F2,g、...、FK,g)、SOCg分别为初始训练集第g个样本的特征向量值和SOC值,为新训练集i第g个样本的特征向量值,其中和是一一对应的关系;
S403:将初始训练集、新训练集1、新训练集2、…、新训练集2K-1分别等量划分为批次1、批次2、…,批次J,每个批次包含M个样本;
S404:将初始训练集的批次1、新训练集1的批次1、新训练集2的批次1、…、新训练集2K-1的批次1一同输入步骤S5。
本发明中,步骤S5所述将当前批次中的新训练集1、新训练集2、…、新训练集2K-1分别用于生成器1、生成器2、…、生成器2K-1的训练;将当前批次中的初始训练集用于判别器的训练,通过生成器与判别器的相互博弈,实现各生成器和判别器的权重更新,具体步骤如下:
S501:将当前批次中的新训练集1、新训练集2、…、新训练集2K-1分别输入生成器1、生成器2、…、生成器2K-1进行SOC估计,若某生成器已被淘汰,则对应编号的新训练集一同被淘汰,生成器i估计结果如下所示:
S502:将步骤S501中每个生成器中的SOC估计值作为特征,0作为标签,构建成一个判别器训练样本,其中由生成器i对当前批次新训练集i第g个样本的SOC估计值和标签0所组成的判别器训练样本表示如下:
将当前批次初始训练集中每个样本SOC真实值作为特征,1作为标签,构建一个判别器训练样本,其中由当前批次初始训练集第g个样本的SOC真实值和标签1所组成的判别器训练样本表示如下:
其中SOCg为当前批次初始训练集第g个样本的SOC真实值;
S503:将步骤S502中所有判别器的训练样本整合成数据集Dft;
S504:将数据集Dft输入判别器,通过损失函数lossD进行当前批次中判别器的权重更新,该损失函数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:
其中,为未被淘汰的各生成器编号,i为未被淘汰的生成器编号,SOC(g,SVRi)为生成器i对当前批次新训练集i中第g个样本的SOC估计值,和分别为判别器对SOC(g,SVRi)和SOCg的真假判别结果,p为未被淘汰生成器的数量;
S505:将当前批次中的新训练集1、新训练集2、…、新训练集2K-1作为生成器第一次权重更新的训练数据分别输入生成器1、生成器2、…、生成器2K-1进行训练,若某生成器已被淘汰,则对应编号的新训练集被一同淘汰,通过损失函数lossG1分别对当前批次所有未被淘汰的生成器进行第一次权重更新,该损失函数lossG1表述如下:
其中W为所要进行第一次权重更新的生成器编号,SOC(g,SVRw)为生成器W对当前批次新训练集W中第g个样本的SOC估计值;
S506:将步骤S501中每个生成器中的每个SOC估计值作为特征,1作为标签,构建成一个生成器第二次权重更新的训练样本,其中由生成器i对当前批次新训练集i第g个样本的SOC估计值和标签1所组成的生成器第二次权重更新的训练样本表示如下:
S507:将步骤S506中由各生成器SOC估计值所组成生成器第二次权重更新的训练样本,分别整合成对应各生成器第二次权重更新的训练数据集,其中生成器i第二次权重更新的训练数据集DSVRi如下所示:
S508:在步骤S507中所述的各生成器第二次权重更新的训练数据集分别输入判别器进行判断,然后将各数据集的判别结果分别输入对应的各生成器进行训练,通过损失函数lossG2分别对当前批次所有未被淘汰的生成器进行第二次权重更新,该损失函数lossG2表述如下:
本发明中,步骤S6所述判断当前批次是否是批次J,若是,则执行步骤S7,否则执行以下操作;判断当前批次编号是否为2K-2的整数倍数,若是,则淘汰当前批次SOC估计误差最高的生成器,然后批次编号加一并返回步骤S5,否则,直接批次编号加一并返回步骤S5,从而形成特征选择机制及生成器淘汰机制,具体步骤如下:
S601:判断当前批次是否是批次J,若是,直接执行步骤S7,否则,继续执行以下步骤;
S602:判断当前批次编号是否为2K-2的整数倍数,若是,则计算当前批次下各未被淘汰生成器RMSE,淘汰SOC估计误差最高的生成器,并对批次编号加一并返回步骤S5,其中生成器i的RMSE计算如下所示:
否则,直接批次编号加一并返回步骤S5,从而形成特征选择机制及生成器淘汰机制。
本发明中,步骤S7所述采用步骤S2所述的测试集对步骤S6中保留到最后的生成器进行评估,若满足预设精度要求,则保存生成器,否则返回步骤S4,具体步骤如下:
S701:根据步骤S6中保留到最后的生成器所对应新训练集样本中的特征组合,将步骤S2所述测试集中每个样本转化为一个新测试样本,按照此方法从测试集中生成一个新测试集,其中测试集的第g个样本生成新测试样本的过程如下所示:
其中和分别为测试集和新测试集的第g个样本,(F1,test,g、F2,test,g、...、Fk,test,g)、SOCtest,g分别为测试集的第g个样本的特征向量值,SOC值,为新测试集第g个样本的特征向量值,其中和是一一对应的关系;
S702:将所有新测试样本整合成新测试集Dtest;
S703:将新测试集Dtest输入保留到最后的生成器进行RMSE计算,若满足预设精度要求,则保存生成器,否则返回步骤S4,其中保留到最后的生成器的RMSE计算如下所示:
其中SOCtest,g和SOC(g,SVRlast)分别为新测试集Dtest中第g个样本中真实的SOC值和保留到最后的生成器对该个样本的SOC估计值,N为新测试集样本个数。
本发明中,步骤S1采集锂电池SOC数据集,具体步骤如下:
S101:选定与锂电池SOC值联系密切相关且可以直接测量的K种物理特征,分别记为F1,F2,...,FK;
S102:将H个电量充满且同型号的电池分别进行恒流放电,每当有电池电量下降ΔQ%,则记录一次该电池当前F1,F2,...,FK和SOC的数据,直至H个电池电压分别低于其截止电压;
S103:将步骤S102中每次记录的F1,F2,...,FK和SOC分别当作一个样本的特征和标签,第n个电池电量下降了gΔQ%时所记录的样本表示如下:
其中F1,n,gΔQ%、F2,n,gΔQ%、...、FK,n,gΔQ%、gΔQ%分别表示此时电池F1,F2,...,FK和SOC的数据值,第n个电池放电过程所测量到的数据表示如下:
S104:将S102中H个同型号的电池进行恒流恒压充电,直至锂电池电量充满;
S105:循环执行步骤S102至S104,直至H个锂电池SOH都降至70%。
由此得出,本发明具有以下优点:
利用特征与特征之间的竞争,形成了特征选择机制,克服了难以选取特征的问题;利用生成器与生成器之间的竞争,形成了生成器相互促进机制和生成器淘汰机制,克服了现有模型鲁棒性低的问题;通过生成器与判别器之间的竞争,形成了生成器与判别器内部权重更新机制,克服了现有模型因损失函数单一而导致估计精度低的问题。
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为基于竞争型生成式对抗神经网络的锂电池SOC估计方法的流程图;
图2为本发明提出的判别器结构图;
图3为基于竞争型生成式对抗神经网络的锂电池SOC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,提出基于竞争型生成式对抗神经网络的锂电池SOC估计方法,包括以下步骤:
S1:选定与锂电池SOC值联系密切相关且可以直接测量的3种物理特征,并在锂电池充放电的过程中采集上述特征数据,得到由特征数据构成的SOC锂电池数据集;
S2:将锂电池SOC数据集进行归一化处理,然后将处理后的数据集按60%和40%的比例随机划分为初始训练集和测试集;
S3:采用支持向量回归模型,搭建竞争型生成式对抗神经网络中的7个生成器,分别记为生成器1、生成器2、…、生成器7,并初始化各生成器内部参数;采用多层感知机神经网络,搭建竞争型生成式对抗神经网络中判别器,并初始化判别器内部参数;
S4:根据特征组合,从步骤S2所述的初始训练集中生成7个新训练集并分别记为新训练集1、新训练集2、…、新训练集7;将初始训练集、新训练集1、新训练集2、…、新训练集7分别等量划分为批次1、批次2、…、批次30,将初始训练集的批次1、新训练集1的批次1、新训练集2的批次1、…、新训练集7的批次1一同输入步骤S5;
S5:将当前批次中的新训练集1、新训练集2、…、新训练集7分别用于生成器1、生成器2、…、生成器7的训练;将当前批次中的初始训练集用于判别器的训练,通过生成器与判别器的相互博弈,实现各生成器和判别器的权重更新;
S6:判断当前批次是否是批次30,若是,则执行步骤S7,否则执行以下操作;判断当前批次编号是否为6的整数倍数,若是,则淘汰当前批次SOC估计误差最高的生成器,然后批次编号加一并返回步骤S5,否则,直接批次编号加一并返回步骤S5,从而形成特征选择机制及生成器淘汰机制;
S7:采用步骤S2所述的测试集对步骤S6中保留到最后的生成器进行评估,若满足预设精度要求,则保存生成器,否则返回步骤S4;
S8:将步骤S7评估通过的生成器用于锂电池SOC估计。
本方案中,步骤S1所述将选定与锂电池SOC值联系密切相关且可以直接测量的3种物理特征,并在锂电池充放电的过程中采集上述特征数据,具体步骤如下:
S101:选定与锂电池SOC值联系密切相关且可以直接测量的3种物理特征,分别为电压U、电流I和温度T;
S102:将50个电量充满且同型号的电池分别进行恒流放电,每当有电池电量下降ΔQ%,则记录一次该电池当前U、I、T和SOC的数据,直至50个电池电压分别低于其截止电压;
S103:将步骤S102中每次记录的U、I、T和SOC分别当作一个样本的特征和标签,第n个电池电量下降了gΔQ%时所记录的样本表示如下:
其中Un,gΔQ%、In,gΔQ%、Tn,gΔQ%、gΔQ%分别表示此时电池U、I、T和SOC的数据值,第n个电池放电过程所测量到的数据表示如下:
S104:将S102中50个同型号的电池进行恒流恒压充电,直至锂电池电量充满;
S105:循环执行步骤S102至S104,直至50个锂电池SOH都降至70%。
本方案中,将锂电池SOC数据集进行归一化处理,然后将处理后的数据集按60%和40%的比例随机划分为初始训练集和测试集。
采用支持向量回归模型,搭建竞争型生成式对抗神经网络中的7个生成器,分别记为生成器1、生成器2、…、生成器7,各生成器的惩罚系数都设置为0.1,各生成器的核函数都采用高斯核函数,并初始化各生成器内部参数;采用多层感知机神经网络搭建竞争型生成式对抗神经网络中判别器并初始化其内部参数。判别器结构图见图2,该判别器是一个由5层全连接层所组成的多层感知机神经网络,各全连接层的神经元分别为10,12,8,4,1。
本方案中,步骤S4所述根据特征组合,从步骤S2所述的初始训练集中生成7个新训练集并分别记为新训练集1、新训练集2、…、新训练集7;将初始训练集、新训练集1、新训练集2、…、新训练集7分别等量划分为批次1、批次2、…、批次30,将初始训练集的批次1、新训练集1的批次1、新训练集2的批次1、…、新训练集7的批次1一同输入步骤S5,具体步骤如下:
S401:从步骤S101中所选的3个物理特征取出x个特征,在不考虑排序的情况下进行不重复组合,其中x取值范围为1至3,因此根据公式(1)可获得V种特征组合:
S402:将步骤S2所述初始训练集中每一个样本,根据步骤S401中7个组合,生成7个新训练样本,按照此方法从初始训练集中生成7个新训练集并分别记为新训练集1、新训练集2、…、新训练集7,其中每个新训练集中各个样本的特征组合是一致的,新训练集之间的样本特征组合是互不相同的,其中初始训练集第g个样本生成7个新训练样本的过程如下所示:
S403:将初始训练集、新训练集1、新训练集2、…、新训练集7分别等量划分为批次1、批次2、…,批次30,每个批次包含100个样本;
S404:将初始训练集的批次1、新训练集1的批次1、新训练集2的批次1、…、新训练集7的批次1一同输入步骤S5。
本方案中,步骤S5所述将当前批次中的新训练集1、新训练集2、…、新训练集7分别用于生成器1、生成器2、…、生成器7的训练;将当前批次中的初始训练集用于判别器的训练,通过生成器与判别器的相互博弈,实现各生成器和判别器的权重更新,基于竞争型生成式对抗神经网络的锂电池SOC估计方法的结构图如图3所述,具体步骤如下:
S501:将当前批次中的新训练集1、新训练集2、…、新训练集7分别输入生成器1、生成器2、…、生成器7进行SOC估计,若某生成器已被淘汰,则对应编号的新训练集一同被淘汰,生成器i估计结果如下所示:
S502:将步骤S501中每个生成器中的SOC估计值作为特征,0作为标签,构建成一个判别器训练样本,其中由生成器i对当前批次新训练集i第g个样本的SOC估计值和标签0所组成的判别器训练样本表示如下:
将当前批次初始训练集中每个样本SOC真实值作为特征,1作为标签,构建一个判别器训练样本,其中由当前批次初始训练集第g个样本的SOC真实值和标签1所组成的判别器训练样本表示如下:
其中SOCg为当前批次初始训练集第g个样本的SOC真实值;
S503:将步骤S502中所有判别器的训练样本整合成数据集Dft;
S504:将数据集Dft输入判别器,通过损失函数lossD进行当前批次中判别器的权重更新,该损失函数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:
其中,为未被淘汰的各生成器编号,i为未被淘汰的生成器编号,SOC(g,SVRi)为生成器i对当前批次新训练集i中第g个样本的SOC估计值,和分别为判别器对SOC(g,SVRi)和SOCg的真假判别结果,p为未被淘汰生成器的数量;
S505:将当前批次中的新训练集1、新训练集2、…、新训练集7作为生成器第一次权重更新的训练数据分别输入生成器1、生成器2、…、生成器7进行训练,若某生成器已被淘汰,则对应编号的新训练集被一同淘汰,通过损失函数lossG1分别对当前批次所有未被淘汰的生成器进行第一次权重更新,该损失函数lossG1表述如下:
其中W为所要进行第一次权重更新的生成器编号,SOC(g,SVRw)为生成器W对当前批次新训练集W中第g个样本的SOC估计值;
S506:将步骤S501中每个生成器中的每个SOC估计值作为特征,1作为标签,构建成一个生成器第二次权重更新的训练样本,其中由生成器i对当前批次新训练集i第g个样本的SOC估计值和标签1所组成的生成器第二次权重更新的训练样本表示如下:
S507:将步骤S506中由各生成器SOC估计值所组成生成器第二次权重更新的训练样本,分别整合成对应各生成器第二次权重更新的训练数据集,其中生成器i第二次权重更新的训练数据集DSVRi如下所示:
S508:在步骤S507中所述的各生成器第二次权重更新的训练数据集分别输入判别器进行判断,然后将各数据集的判别结果分别输入对应的各生成器进行训练,通过损失函数lossG2分别对当前批次所有未被淘汰的生成器进行第二次权重更新,该损失函数lossG2表述如下:
本方案中,步骤S6所述判断当前批次是否是批次30,若是,则执行步骤S7,否则执行以下操作;判断当前批次编号是否为6的整数倍数,若是,则淘汰当前批次SOC估计误差最高的生成器,然后批次编号加一并返回步骤S5,否则,直接批次编号加一并返回步骤S5,从而形成特征选择机制及生成器淘汰机制,具体步骤如下:
S601:判断当前批次是否是批次30,若是,直接执行步骤S7,否则,继续执行以下步骤;
S602:判断当前批次编号是否为6的整数倍数,若是,则计算当前批次下各未被淘汰生成器RMSE,淘汰SOC估计误差最高的生成器,并对批次编号加一并返回步骤S5,其中生成器i的RMSE计算如下所示:
否则,直接批次编号加一并返回步骤S5,从而形成了特征选择机制及生成器淘汰机制。
本方案中,步骤S7所述采用步骤S2所述的测试集对步骤S6中保留到最后的生成器进行评估,若满足预设精度要求,则保存生成器,否则返回步骤S4,具体步骤如下:
S701:根据步骤S6中保留到最后的生成器所对应新训练集样本中的特征组合,将步骤S2所述测试集中每个样本转化为一个新测试样本,按照此方法从测试集中生成一个新测试集,其中测试集的第g个样本生成新测试样本的过程如下所示:
其中和分别为测试集和新测试集的第g个样本,(Utest,g、Itest,g、Test,g)、SOCtest,g分别为测试集的第g个样本的特征向量值,SOC值,为新测试集的第g个样本的特征向量值,其中和是一一对应的关系;
S702:将所有新测试样本整合成新测试集Dtest;
S703:将新测试集Dtest输入保留到最后的生成器进行RMSE计算,若满足预设精度要求,则保存生成器,否则返回步骤S4,其中保留到最后的生成器的RMSE计算如下所示:
其中SOCtest,g和SOC(g,SVRlast)分别为新测试集Dtest中第g个样本中真实的SOC值和保留到最后的生成器对该个样本的SOC估计值。
本方案中,步骤S7所述将步骤S7评估通过的生成器用于锂电池SOC估计。
Claims (6)
1.基于竞争型生成式对抗神经网络的锂电池SOC估计方法,其特征在于,包括:
S1:选定与锂电池SOC值联系密切相关且可以直接测量的K种物理特征,并在锂电池充放电的过程中采集上述特征数据,得到由特征数据构成的SOC锂电池数据集;
S2:将锂电池SOC数据集进行归一化处理,然后将处理后的数据集按60%和40%的比例随机划分为初始训练集和测试集;
S3:采用支持向量回归模型,搭建竞争型生成式对抗神经网络中的2K-1个生成器,分别记为生成器1、生成器2、…、生成器2K-1,并初始化各生成器内部参数;采用多层感知机神经网络,搭建竞争型生成式对抗神经网络中判别器,并初始化判别器内部参数;
S4:根据特征组合,从步骤S2所述的初始训练集中生成2K-1个新训练集并分别记为新训练集1、新训练集2、…、新训练集2K-1;将初始训练集、新训练集1、新训练集2、…、新训练集2K-1分别等量划分为批次1、批次2、…、批次J,将初始训练集的批次1、新训练集1的批次1、新训练集2的批次1、…、新训练集2K-1的批次1一同输入步骤S5;
S5:将当前批次中的新训练集1、新训练集2、…、新训练集2K-1分别用于生成器1、生成器2、…、生成器2K-1的训练;将当前批次中的初始训练集用于判别器的训练,通过生成器与判别器的相互博弈,实现各生成器和判别器的权重更新;
S6:判断当前批次是否是批次J,若是,则执行步骤S7,否则执行以下操作;判断当前批次编号是否为2K-2的整数倍数,若是,则淘汰当前批次SOC估计误差最高的生成器,然后批次编号加一并返回步骤S5,否则,直接批次编号加一并返回步骤S5,从而形成特征选择机制及生成器淘汰机制;
S7:采用步骤S2所述的测试集对步骤S6中保留到最后的生成器进行评估,若满足预设精度要求,则保存生成器,否则返回步骤S4;
S8:将步骤S7评估通过的生成器用于锂电池SOC估计。
2.根据权利要求1所述的基于竞争型生成式对抗神经网络的锂电池SOC估计方法,其特征在于,步骤S4所述根据特征组合,从步骤S2所述的初始训练集中生成2K-1个新训练集并分别记为新训练集1、新训练集2、…、新训练集2K-1;将初始训练集、新训练集1、新训练集2、…、新训练集2K-1分别等量划分为批次1、批次2、…、批次J,将初始训练集的批次1、新训练集1的批次1、新训练集2的批次1、…、新训练集2K-1的批次1一同输入步骤S5,具体步骤如下:
S401:从步骤S101中所选的K个物理特征取出x个特征,在不考虑排序的情况下进行不重复组合,其中x取值范围为1至K,因此根据公式(1)可获得V种特征组合:
S402:将步骤S2所述初始训练集中每一个样本,根据步骤S401中2K-1个组合,生成2K-1个新训练样本,按照此方法从初始训练集中生成2K-1个新训练集并分别记为新训练集1、新训练集2、…、新训练集2K-1,其中每个新训练集中各个样本的特征组合是一致的,新训练集之间的样本特征组合是互不相同的,其中初始训练集第g个样本生成2K-1个新训练样本的过程如下所示:
其中和分别为初始训练集第g个样本和新训练集i第g个样本,(F1,g、F2,g、...、FK,g)、SOCg分别为初始训练集第g个样本的特征向量值和SOC值,为新训练集i第g个样本的特征向量值,其中和是一一对应的关系;
S403:将初始训练集、新训练集1、新训练集2、…、新训练集2K-1分别等量划分为批次1、批次2、…,批次J,每个批次包含M个样本;
S404:将初始训练集的批次1、新训练集1的批次1、新训练集2的批次1、…、新训练集2K-1的批次1一同输入步骤S5。
3.根据权利要求1所述的基于竞争型生成式对抗神经网络的锂电池SOC估计方法,其特征在于,步骤S5所述将当前批次中的新训练集1、新训练集2、…、新训练集2K-1分别用于生成器1、生成器2、…、生成器2K-1的训练;将当前批次中的初始训练集用于判别器的训练,通过生成器与判别器的相互博弈,实现各生成器和判别器的权重更新,具体步骤如下:
S501:将当前批次中的新训练集1、新训练集2、…、新训练集2K-1分别输入生成器1、生成器2、…、生成器2K-1进行SOC估计,若某生成器已被淘汰,则对应编号的新训练集一同被淘汰,生成器i估计结果如下所示:
S502:将步骤S501中每个生成器中的SOC估计值作为特征,0作为标签,构建成一个判别器训练样本,其中由生成器i对当前批次新训练集i第g个样本的SOC估计值和标签0所组成的判别器训练样本表示如下:
将当前批次初始训练集中每个样本SOC真实值作为特征,1作为标签,构建一个判别器训练样本,其中由当前批次初始训练集第g个样本的SOC真实值和标签1所组成的判别器训练样本表示如下:
其中SOCg为当前批次初始训练集第g个样本的SOC真实值;
S503:将步骤S502中所有判别器的训练样本整合成数据集Dft;
S504:将数据集Dft输入判别器,通过损失函数lossD进行当前批次中判别器的权重更新,该损失函数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:
其中,为未被淘汰的各生成器编号,i为未被淘汰的生成器编号,SOC(g,SVRi)为生成器i对当前批次新训练集i中第g个样本的SOC估计值,和分别为判别器对SOC(g,SVRi)和SOCg的真假判别结果,p为未被淘汰生成器的数量;
S505:将当前批次中的新训练集1、新训练集2、…、新训练集2K-1作为生成器第一次权重更新的训练数据分别输入生成器1、生成器2、…、生成器2K-1进行训练,若某生成器已被淘汰,则对应编号的新训练集被一同淘汰,通过损失函数lossG1分别对当前批次所有未被淘汰的生成器进行第一次权重更新,该损失函数lossG1表述如下:
其中W为所要进行第一次权重更新的生成器编号,SOC(g,SVRw)为生成器W对当前批次新训练集W中第g个样本的SOC估计值;
S506:将步骤S501中每个生成器中的每个SOC估计值作为特征,1作为标签,构建成一个生成器第二次权重更新的训练样本,其中由生成器i对当前批次新训练集i第g个样本的SOC估计值和标签1所组成的生成器第二次权重更新的训练样本表示如下:
S507:将步骤S506中由各生成器SOC估计值所组成生成器第二次权重更新的训练样本,分别整合成对应各生成器第二次权重更新的训练数据集,其中生成器i第二次权重更新的训练数据集DSVRi如下所示:
S508:在步骤S507中所述的各生成器第二次权重更新的训练数据集分别输入判别器进行判断,然后将各数据集的判别结果分别输入对应的各生成器进行训练,通过损失函数lossG2分别对当前批次所有未被淘汰的生成器进行第二次权重更新,该损失函数lossG2表述如下:
4.根据权利要求1所述的基于竞争型生成式对抗神经网络的锂电池SOC估计方法,其特征在于,步骤S6所述判断当前批次是否是批次J,若是,则执行步骤S7,否则执行以下操作;判断当前批次编号是否为2K-2的整数倍数,若是,则淘汰当前批次SOC估计误差最高的生成器,然后批次编号加一并返回步骤S5,否则,直接批次编号加一并返回步骤S5,从而形成特征选择机制及生成器淘汰机制,具体步骤如下:
S601:判断当前批次是否是批次J,若是,直接执行步骤S7,否则,继续执行以下步骤;
S602:判断当前批次编号是否为2K-2的整数倍数,若是,则计算当前批次下各未被淘汰生成器RMSE,淘汰SOC估计误差最高的生成器,并对批次编号加一并返回步骤S5,生成器i的RMSE计算如下所示:
否则,直接批次编号加一并返回步骤S5,从而形成了特征选择机制及生成器淘汰机制。
5.根据权利要求1所述的基于竞争型生成式对抗神经网络的锂电池SOC估计方法,其特征在于,步骤S7所述采用步骤S2所述的测试集对步骤S6中保留到最后的生成器进行评估,若满足预设精度要求,则保存生成器,否则返回步骤S4,具体步骤如下:
S701:根据步骤S6中保留到最后的生成器所对应新训练集样本中的特征组合,将步骤S2所述测试集中每个样本转化为一个新测试样本,按照此方法从测试集中生成一个新测试集,其中测试集的第g个样本生成新测试样本的过程如下所示:
其中和分别为测试集和新测试集的第g个样本,(F1,test,g、F2,test,g、...、Fk,test,g)、SOCtest,g分别为测试集的第g个样本的特征向量值,SOC值,为新测试集第g个样本的特征向量值,其中和是一一对应的关系;
S702:将所有新测试样本整合成新测试集Dtest;
S703:将新测试集Dtest输入保留到最后的生成器进行RMSE计算,若满足预设精度要求,则保存生成器,否则返回步骤S4,其中保留到最后的生成器的RMSE计算如下所示:
其中SOCtest,g和SOC(g,SVRlast)分别为新测试集Dtest中第g个样本中真实的SOC值和保留到最后的生成器对该个样本的SOC估计值,N为新测试集样本个数。
6.根据权利要求1所述的基于竞争型生成式对抗神经网络的锂电池SOC估计方法,其特征在于,步骤S1采集锂电池SOC数据集,具体步骤如下:
S101:选定与锂电池SOC值联系密切相关且可以直接测量的K种物理特征,分别记为F1,F2,...,FK;
S102:将H个电量充满且同型号的电池分别进行恒流放电,每当有电池电量下降ΔQ%,则记录一次该电池当前F1,F2,...,FK和SOC的数据,直至H个电池电压分别低于其截止电压;
S103:将步骤S102中每次记录的F1,F2,...,FK和SOC分别当作一个样本的特征和标签,第n个电池电量下降了gΔQ%时所记录的样本表示如下:
其中F1,n,gΔQ%、F2,n,gΔQ%、...、FK,n,gΔQ%、gΔQ%分别表示此时电池F1,F2,...,FK和SOC的数据值,第n个电池放电过程所测量到的数据表示如下:
S104:将S102中H个同型号的电池进行恒流恒压充电,直至锂电池电量充满;
S105:循环执行步骤S102至S104,直至H个锂电池SOH都降至70%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210052447.8A CN114545255B (zh) | 2022-01-18 | 2022-01-18 | 基于竞争型生成式对抗神经网络的锂电池soc估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210052447.8A CN114545255B (zh) | 2022-01-18 | 2022-01-18 | 基于竞争型生成式对抗神经网络的锂电池soc估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114545255A CN114545255A (zh) | 2022-05-27 |
CN114545255B true CN114545255B (zh) | 2022-08-26 |
Family
ID=81670866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210052447.8A Active CN114545255B (zh) | 2022-01-18 | 2022-01-18 | 基于竞争型生成式对抗神经网络的锂电池soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114545255B (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019056975A (ja) * | 2017-09-19 | 2019-04-11 | 株式会社Preferred Networks | 改良型敵対的生成ネットワーク実現プログラム、改良型敵対的生成ネットワーク実現装置及び学習済モデル生成方法 |
CN109063724B (zh) * | 2018-06-12 | 2022-02-22 | 中国科学院深圳先进技术研究院 | 一种增强型生成式对抗网络以及目标样本识别方法 |
CN110097130B (zh) * | 2019-05-07 | 2022-12-13 | 深圳市腾讯计算机系统有限公司 | 分类任务模型的训练方法、装置、设备及存储介质 |
US11068753B2 (en) * | 2019-06-13 | 2021-07-20 | Visa International Service Association | Method, system, and computer program product for generating new items compatible with given items |
CN110413838B (zh) * | 2019-07-15 | 2021-06-22 | 上海交通大学 | 一种无监督视频摘要模型及其建立方法 |
CN110598843B (zh) * | 2019-07-23 | 2023-12-22 | 中国人民解放军63880部队 | 一种基于判别器共享的生成对抗网络组织结构的训练方法 |
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 |
CN111861924B (zh) * | 2020-07-23 | 2023-09-22 | 成都信息工程大学 | 一种基于进化gan的心脏磁共振图像数据增强方法 |
CN112418395B (zh) * | 2020-11-17 | 2022-08-26 | 吉林大学 | 一种基于生成对抗网络的气体传感器阵列漂移补偿方法 |
CN112733444A (zh) * | 2020-12-30 | 2021-04-30 | 浙江大学 | 基于CycleGAN神经网络的多步长时间序列预测方法 |
CN113505855B (zh) * | 2021-07-30 | 2023-09-08 | 中国科学院计算技术研究所 | 一种对抗攻击模型的训练方法 |
-
2022
- 2022-01-18 CN CN202210052447.8A patent/CN114545255B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114545255A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
You et al. | Real-time state-of-health estimation for electric vehicle batteries: A data-driven approach | |
CN111443294B (zh) | 一种锂离子电池剩余寿命间接预测方法及装置 | |
CN113917337A (zh) | 基于充电数据和lstm神经网络的电池健康状态估计方法 | |
CN113030764B (zh) | 一种电池组健康状态估计方法及系统 | |
CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及系统 | |
CN112684363A (zh) | 一种基于放电过程的锂离子电池健康状态估计方法 | |
CN111999649A (zh) | 一种基于XGBoost算法的锂电池剩余寿命预测方法 | |
CN115856678A (zh) | 一种锂离子电池健康状态估计方法 | |
CN111814826B (zh) | 退役动力电池余能快速检测评级方法 | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
CN115270454A (zh) | 电池寿命预测方法及相关设备 | |
CN115201686B (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
CN115219906A (zh) | 基于ga-pso优化的多模型融合电池荷电状态预测方法及系统 | |
CN115994441A (zh) | 基于机理信息的大数据云平台在线电池寿命预测方法 | |
Zhao et al. | State-of-health estimation with anomalous aging indicator detection of lithium-ion batteries using regression generative adversarial network | |
CN113917336A (zh) | 基于片段充电时间和gru的锂离子电池健康状态预测方法 | |
Fei et al. | Early-stage lifetime prediction for lithium-ion batteries: A deep learning framework jointly considering machine-learned and handcrafted data features | |
CN113614554A (zh) | 退役锂离子电池和电池模块的健康状态评估 | |
CN113534938B (zh) | 一种基于改进Elman神经网络的笔记本电脑剩余电量估计方法 | |
CN113376541B (zh) | 一种基于crj网络的锂离子电池健康状态预测方法 | |
CN114675186A (zh) | 一种基于图神经网络的锂离子电池健康状态预测方法 | |
CN114545255B (zh) | 基于竞争型生成式对抗神经网络的锂电池soc估计方法 | |
CN116774086B (zh) | 一种基于多传感器数据融合的锂电池健康状态估计方法 | |
CN111337833B (zh) | 一种基于动态时变权重的锂电池容量集成预测方法 | |
CN116736133A (zh) | 锂离子电池全寿命周期容量退化轨迹的早期预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |