CN115291108A - 数据生成方法、装置、设备及计算机程序产品 - Google Patents
数据生成方法、装置、设备及计算机程序产品 Download PDFInfo
- Publication number
- CN115291108A CN115291108A CN202210737503.1A CN202210737503A CN115291108A CN 115291108 A CN115291108 A CN 115291108A CN 202210737503 A CN202210737503 A CN 202210737503A CN 115291108 A CN115291108 A CN 115291108A
- Authority
- CN
- China
- Prior art keywords
- data
- loss function
- function value
- data generation
- battery sample
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004590 computer program Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000009826 distribution Methods 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 115
- 238000012545 processing Methods 0.000 claims description 46
- 238000010606 normalization Methods 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 12
- 238000002474 experimental method Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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]
- G01R31/367—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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Sources (AREA)
Abstract
本申请公开了一种数据生成方法、装置、设备及计算机程序产品。其中，该方法包括：获取电池样本数据，电池样本数据包括电池在热失控之前第一时间段内的性能数据；将电池样本数据输入至数据生成模型，生成模拟数据，其中，数据生成模型包括基于变分自编码器和生成对抗网络的联合模型；根据电池样本数据和模拟数据之间的数据分布相似度，确定与变分自编码器对应的第一损失函数值，以及与生成对抗网络对应的第二损失函数值；根据第一损失函数值和第二损失函数值，训练数据生成模型，得到目标数据生成模型；根据目标数据生成模型，生成电池样本扩充数据。本申请实施例能够提高与电池热失控问题相关的数据的获取量，降低获取成本。
Description
技术领域
本申请属于电池技术领域，尤其涉及一种数据生成方法、装置、设备及计算机程序产品。
背景技术
随着电池的广泛应用，对电池的安全性监测也变得越来越重要。其中，电池热失控问题的相关数据对研究电池的安全性有重要作用，例如锂电池热失控故障诊断和安全预警算法就需要大量的与热失控问题相关的性能数据作为数据支撑，因此，如何获取大量的与热失控问题相关的性能数据是电池安全研究中亟待解决的问题之一。
目前，由于与热失控问题相关的性能数据主要在电池出现故障之前实际采集的数据中获取，因此，导致能够获取到的数据较少，数据获取成本高。
发明内容
本申请实施例提供一种数据生成方法、装置、设备及计算机程序产品，能够提高与电池热失控问题相关的数据的获取量，降低获取成本。
第一方面，本申请实施例提供一种数据生成方法，该方法包括：获取电池样本数据，电池样本数据包括电池在热失控之前第一时间段内的性能数据；将电池样本数据输入至数据生成模型，生成模拟数据，其中，数据生成模型包括基于变分自编码器和生成对抗网络的联合模型，变分自编码器中的解码器为生成对抗网络中的生成器；根据电池样本数据和模拟数据之间的数据分布相似度，确定与变分自编码器对应的第一损失函数值，以及与生成对抗网络对应的第二损失函数值；根据第一损失函数值和第二损失函数值，训练数据生成模型，得到目标数据生成模型；根据目标数据生成模型，生成电池样本扩充数据。
在一些实施方式中，获取电池样本数据，包括：获取目标场景下电池在热失控之前第一时间段内的性能数据，其中，目标场景包括热失控触发实验场景或实际热失控事故场景中的至少一种场景；将第一时间段按照目标滑动时间窗口进行子时间段划分，得到多个子时间段分别对应的性能数据；将多个子时间段分别对应的性能数据作为电池样本数据。
在一些实施方式中，该方法还包括：对第一时间段内的性能数据进行预处理，预处理包括异常数据删除处理和缺失数据插值处理中的至少一项。
在一些实施方式中，预处理还包括数据归一化处理。
在一些实施方式中，根据目标数据生成模型，生成电池样本扩充数据，包括：利用目标数据生成模型中的生成器，生成初始数据；对初始数据进行反归一化处理，得到电池样本扩充数据。
在一些实施方式中，根据第一损失函数值和第二损失函数值，训练数据生成模型，得到目标数据生成模型，包括：在第一损失函数值不小于第一阈值的情况下，根据第一损失函数值调整变分自编码器中编码器的模型参数值；在第二损失函数值不小于第二阈值的情况下，根据第二损失函数值调整生成对抗网络中生成器的模型参数值；在第一损失函数值小于第一阈值，且第二损失函数值小于第二阈值的情况下，停止调整模型参数值，得到目标数据生成模型。
在一些实施方式中，根据目标数据生成模型，生成电池样本扩充数据，包括：将高斯噪声数据输入至目标数据生成模型中的生成器，生成电池样本扩充数据。
第二方面，本申请实施例提供了一种数据生成装置，该装置包括：样本获取模块，用于获取电池样本数据，电池样本数据包括电池在热失控之前第一时间段内的性能数据；样本模拟模块，用于将电池样本数据输入至数据生成模型，生成模拟数据，其中，数据生成模型包括基于变分自编码器和生成对抗网络的联合模型，变分自编码器中的解码器为生成对抗网络中的生成器；损失确定模块，用于根据电池样本数据和模拟数据之间的数据分布相似度，确定与变分自编码器对应的第一损失函数值，以及与生成对抗网络对应的第二损失函数值；模型训练模块，用于根据第一损失函数值和第二损失函数值，训练数据生成模型，得到目标数据生成模型；数据生成模块，用于根据目标数据生成模型，生成电池样本扩充数据。
在一些实施方式中，样本获取模块具体可以包括：数据获取子模块，用于获取目标场景下电池在热失控之前第一时间段内的性能数据，其中，目标场景包括热失控触发实验场景或实际热失控事故场景中的至少一种场景；时间划分子模块，用于将第一时间段按照目标滑动时间窗口进行子时间段划分，得到多个子时间段分别对应的性能数据；数据确定子模块，用于将多个子时间段分别对应的性能数据作为电池样本数据。
在一些实施方式中，样本获取模块具体还可以包括：预处理子模块，用于对第一时间段内的性能数据进行预处理，预处理包括异常数据删除处理和缺失数据插值处理中的至少一项。
在一些实施方式中，预处理还可以包括数据归一化处理。
在一些实施方式中，数据生成模块具体可以包括：数据生成子模块，用于利用目标数据生成模型中的生成器，生成初始数据；反归一化处理子模块，用于对初始数据进行反归一化处理，得到电池样本扩充数据。
在一些实施方式中，模型训练模块具体可以包括：参数调整子模块，用于在第一损失函数值不小于第一阈值的情况下，根据第一损失函数值调整变分自编码器中编码器的模型参数值；在第二损失函数值不小于第二阈值的情况下，根据第二损失函数值调整生成对抗网络中生成器的模型参数值；停止调整子模块，用于在第一损失函数值小于第一阈值，且第二损失函数值小于第二阈值的情况下，停止调整模型参数值，得到目标数据生成模型。
在一些实施方式中，数据生成模块具体还可以包括：数据输入子模块，用于将高斯噪声数据输入至目标数据生成模型中的生成器，生成电池样本扩充数据。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：处理器以及存储有计算机程序指令的存储器；处理器执行所述计算机程序指令时实现如第一方面的任一项实施例中所述的数据生成方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面的任一项实施例中所述的数据生成方法的步骤。
第五方面，本申请实施例提供了一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如第一方面的任一项实施例中所述的数据生成方法的步骤。
本申请实施例中的数据生成方法、装置、设备及计算机程序产品，通过利用少量的电池样本数据，训练数据生成模型，由于该数据生成模型为变分自编码器和生成对抗网络的联合模型，该数据生成模型可以克服变分自编码器真实性不足以及生成对抗网络训练困难的缺点，进而训练得到能够生成与电池样本数据同分布的数据的目标数据生成模型，利用该目标数据生成模型生成电池样本扩充数据。这样，本申请实施例由于采用数据生成模型，利用现有少量的电池样本数据生成大量同分布的电池样本扩充数据，因此可以提高电池样本数据的获取量，且由于模型的使用可以减少数据获取时的电池消耗，因此可以降低数据的获取成本。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的数据生成方法的流程示意图；
图2是本申请另一个实施例提供的数据生成方法的流程示意图；
图3是本申请一个实施例提供的“变分自编码器-生成对抗网络”联合模型的结构示意图；
图4是本申请一个实施例提供的数据生成装置的结构示意图；
图5是本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
热失控可以指由各种诱因引发的链式反应现象。由于热失控散发出的大量热量和有害气体可以引起电池着火和爆炸，因此，热失控可以是锂离子电池安全性改善研究的主要对象。
目前，由于与热失控问题相关的性能数据主要在电池出现故障之前实际采集的数据中获取，因此，导致能够获取到的数据较少，数据获取成本高。
在锂电池安全预警领域，纯数据驱动的机器学习方法发展时间短(多为结合一定机理的模型结合数据驱动方法)，数据不平衡问题暂未受到广泛关注。
相关技术中，主要采用马尔科夫链蒙特卡洛方法或生成对抗网络来实现数据生成。但是，对于马尔科夫链蒙特卡洛方法，锂电池特征参数变化不满足马尔可夫过程基本假设，准确的状态转移矩阵相对难构建。而对于生成对抗网络，由于锂电池热失控特征参数随时间空间分布概率密度无法准确定义，容易遇到模式崩溃问题，训练困难，实际难应用。
为了解决现有技术问题，本申请实施例提供了一种数据生成方法、装置、设备及计算机程序产品。下面首先对本申请实施例所提供的数据生成方法进行介绍。
图1是本申请一个实施例提供的数据生成方法的流程示意图。如图1所示，该数据生成方法具体可以包括如下步骤：
S110、获取电池样本数据，电池样本数据包括电池在热失控之前第一时间段内的性能数据；
S120、将电池样本数据输入至数据生成模型，生成模拟数据，其中，数据生成模型包括基于变分自编码器和生成对抗网络的联合模型，变分自编码器中的解码器为生成对抗网络中的生成器；
S130、根据电池样本数据和模拟数据之间的数据分布相似度，确定与变分自编码器对应的第一损失函数值，以及与生成对抗网络对应的第二损失函数值；
S140、根据第一损失函数值和第二损失函数值，训练数据生成模型，得到目标数据生成模型；
S150、根据目标数据生成模型，生成电池样本扩充数据。
本申请实施例中的数据生成方法，通过利用少量的电池样本数据，训练数据生成模型，由于该数据生成模型为变分自编码器和生成对抗网络的联合模型，该数据生成模型可以克服变分自编码器真实性不足以及生成对抗网络训练困难的缺点，进而训练得到能够生成与电池样本数据同分布的数据的目标数据生成模型，利用该目标数据生成模型生成电池样本扩充数据。这样，本申请实施例由于采用数据生成模型，利用现有少量的电池样本数据生成大量同分布的电池样本扩充数据，因此可以提高电池样本数据的获取量，且由于模型的使用可以减少数据获取时的电池消耗，因此可以降低数据的获取成本。
在一些实施方式中，在S110中，第一时间段可以是电池在热失控之前的一段时间，例如电池热失控前一小时。基于此，电池样本数据可以包括电池在热失控之前的一段时间内按照预设频率采集的性能数据。其中，采集的性能数据的类型包括但不限于电池温度、电压值、电流值等。
作为一种示例，通过对电池进行持续监测，可以获取电池在热失控之前的一个小时内的性能数据，根据该性能数据确定电池样本数据。其中，电池样本数据可以是第一时间段内的全部性能数据，也可以是第一时间段内的多个子时间段分别对应的多组性能数据。
基于此，为了获得较多的电池样本数据，在一些实施方式中，上述S110具体可以包括：
获取目标场景下电池在热失控之前第一时间段内的性能数据，其中，目标场景包括热失控触发实验场景或实际热失控事故场景中的至少一种场景；
将第一时间段按照目标滑动时间窗口进行子时间段划分，得到多个子时间段分别对应的性能数据；
将多个子时间段分别对应的性能数据作为电池样本数据。
这里，热失控触发实验场景可以是为了得到与热失控问题相关的性能数据而进行实验的场景。其中，热失控触发实验场景的触发条件可以为机械滥用、热滥用、电滥用、制造缺陷等。另外，实际热失控事故场景中与热失控问题相关的性能数据可以通过云平台采集。例如，云平台通过对实际应用场景下的电池性能数据进行持续监测，进而可以采集到电池在热失控之前的一段时间段内的性能数据。
作为一种示例，目标滑动时间窗口的长度和移动步长可以预先设置，进而，将预设长度的目标滑动时间窗口按照预设移动步长对第一时间段进行划分，可以得到多个子时间段。相应地，从第一时间段对应的性能指标数据中，可以划分得到多个子时间段分别对应的性能数据。这样，一个子时间段对应的性能数据可以确定为一个电池样本数据，进而根据多个子时间段对应的性能数据可以得到多个电池样本数据。
如此，通过按照目标滑动时间窗口对第一时间段进行子时间段划分，并根据多个子时间段分别对应的性能数据，确定多组电池样本数据，这样在条件固定的情况下，可以获得较多的电池样本数据，电池样本数据之间也可以体现出数据分布的特征。
基于此，为了提高模型训练的效率以及模型训练的准确性，在一些实施方式中，还可以包括：
对第一时间段内的性能数据进行预处理，预处理包括异常数据删除处理和缺失数据插值处理中的至少一项。
这里，异常数据删除处理的处理方式可以包括删除性能数据中高于第一预设值的数据，也可以包括删除性能数据中低于第二预设值的数据。另外，缺失数据差值处理的处理方式可以包括人工手动补全缺失值、以性能数据的平均值代替缺失值、以性能数据的中位数代替缺失值等方式。
作为一种示例，在获取第一时间段内的性能数据之后，可以对性能数据进行异常数据删除和缺失数据插值等预处理操作。基于此，电池样本数据可以为预处理之后的性能数据。
这样，通过对第一时间段内的性能数据进行异常数据删除和缺失数据插值等预处理，能够保证电池样本数据的一致性和完整性。进而，能够提高模型训练的效率以及模型训练的准确性。
基于此，为了进一步提高模型训练的效率以及模型训练的准确性，在一些实施方式中，预处理还可以包括数据归一化处理。
这里，数据归一化处理的处理方式可以包括将第一时间段内的性能数据映射为区间(0，1)之间的数据。其中，归一化处理例如可以通过以下公式实现：
这里，xmin可以为第一时间段内的性能数据的最小值，xmax可以为第一时间段内的性能数据的最大值，xi可以为第一时间段内归一化处理之前的性能数据，xi'可以为第一时间段内归一化处理之后的性能数据。
当然，数据归一化处理也可以通过其他方式实现，在此不做限定。
作为一种示例，在获取第一时间段内的性能数据之后，可以对性能数据进行归一化处理。进而，电池样本数据可以为归一化处理之后的性能数据。
作为另一种示例，在对性能数据进行预处理之后，可以对预处理之后的性能数据进行归一化处理。进而，电池样本数据可以为预处理以及归一化处理之后的性能数据。
这样，通过对性能数据进行归一化处理，使得性能数据被限定在一定的范围内，从而消除奇异样本数据导致的不良影响。另外，通过将归一化处理之后的性能数据作为电池样本数据，能够进一步提高模型训练的效率以及模型训练的准确性。
在一些实施方式中，在S120中，数据生成模型可以是基于变分自编码器和生成对抗网络的联合模型。其中，变分自编码器可以包括编码器和解码器，生成对抗网络可以包括生成器和鉴别器。需要说明的是，变分自编码器中的解码器可以是生成对抗网络中的生成器。
另外，模拟数据可以为模拟电池样本数据的数据分布而生成的数据。作为一种示例，将电池样本数据输入至数据生成模型，即可以是将电池样本数据输入至变分自编码器的编码器中，通过编码器和解码器可以模拟电池样本数据的数据分布，输出得到模拟数据。
在一些实施方式中，在S130中，第一损失函数可以为变分自编码器对应的损失函数。其中，第一损失函数可以为均方误差(mean-square error，MSE)函数，也可以为KL散度(Kullback-Leibler divergence)函数。
另外，第二损失函数可以为生成对抗网络对应的损失函数。其中，第二损失函数可以为JS散度(Jensen-Shannon divergence)函数，也可以为Wasserstein距离函数。需要说明的是，损失函数可以是用于衡量电池样本数据和模拟数据之间的数据分布相似度的函数。
作为一种示例，基于第一损失函数，对电池样本数据和模拟数据之间的分布相似度进行计算，可以确定与变分自编码器对应的第一损失函数值。
作为另一种示例，基于第二损失函数，对电池样本数据和模拟数据之间的分布相似度进行计算，可以确定与生成对抗网络对应的第二损失函数值。
在一些实施方式中，在S140中，目标数据生成模型可以为训练好的数据生成模型。
作为一种示例，在第一损失函数值不满足预设条件的情况下，可以根据第一损失函数值调整变分自编码器中编码器的模型参数值，直至第一损失函数值满足预设条件。在第二损失函数值不满足预设条件的情况下，可以根据第二损失函数值调整生成对抗网络中生成器的模型参数值，直至第二损失函数值满足预设条件。在第一损失函数值和第二损失函数值均满足预设条件的情况下，可以得到目标数据生成模型。
基于此，为了得到训练好的数据生成模型，在一些实施方式中，上述S140具体可以包括：
在第一损失函数值不小于第一阈值的情况下，根据第一损失函数值调整变分自编码器中编码器的模型参数值；
在第二损失函数值不小于第二阈值的情况下，根据第二损失函数值调整生成对抗网络中生成器的模型参数值；
在第一损失函数值小于第一阈值，且第二损失函数值小于第二阈值的情况下，停止调整模型参数值，得到目标数据生成模型。
这里，第一阈值和第二阈值可以相同，也可以不相同。
作为一种示例，在第二损失函数值小于第二阈值，但第一损失函数值不小于第一阈值的情况下，可以根据第一损失函数值调整变分自编码器中编码器的模型参数值，直至第一损失函数值小于第一阈值，得到目标数据生成模型。
作为另一种示例，在第一损失函数值小于第一阈值，但第二损失函数值不小于第二阈值的情况下，可以根据第二损失函数值调整对抗网络中生成器的模型参数值，直至第二损失函数值小于第二阈值，得到目标数据生成模型。
作为又一种示例，在第一损失函数值不小于第一阈值，且第二损失函数值不小于第二阈值的情况下，可以分别根据第一损失函数值调整变分自编码器中编码器的模型参数值，根据第二损失函数值调整对抗网络中生成器的模型参数值，直至第一损失函数值小于第一阈值，且第二损失函数值小于第二阈值，得到目标数据生成模型。
作为又一种示例，在第一损失函数值小于第一阈值，且第二损失函数值小于第二阈值的情况下，则可以将当前训练得到的数据生成模型确定为目标数据生成模型。
这样，通过在第一损失函数值小于第一阈值，且第二损失函数值小于第二阈值的情况下，得到目标数据生成模型，能够得到训练好的数据生成模型。
在一些实施方式中，在S150中，电池样本扩充数据可以为模拟电池样本数据的数据分布特征得到的数据。也就是说，电池样本扩充数据和电池样本数据可以具有相同的数据分布特征。
作为一种示例，通过将具有任意分布特征的数据输入至目标数据生成模型的生成器中，即可以输出得到与电池样本数据具有相同分布特征的电池样本扩充数据。
基于此，为了提高与热失控问题相关的性能数据获取量，降低获取成本，在一些实施方式中，上述S150具体可以包括：
将高斯噪声数据输入至目标数据生成模型中的生成器，生成电池样本扩充数据。
这里，高斯噪声数据可以为服从高斯分布的噪声数据。
这样，通过将高斯噪声数据输入至训练好的数据生成模型的生成器中，生成电池样本扩充数据，能够得到与电池样本数据具有相同数据分布特征的电池样本扩充数据，进而能够提高与热失控问题相关的性能数据获取量，降低获取成本。
基于此，为了得到能够反映实际物理状态的电池样本扩充数据，在一些实施方式中，上述S150具体还可以包括：
利用目标数据生成模型中的生成器，生成初始数据；
对初始数据进行反归一化处理，得到电池样本扩充数据。
这里，反归一化处理可以是归一化处理对应的逆处理。例如，反归一化处理的处理方式可以是将在(0，1)范围内的数据映射为原数据范围内的数据。其中，原数据范围内的数据可以是电池样本数据在归一化处理之前所属的数据范围。
作为一种示例，在电池样本数据为归一化处理之后的数据的情况下，生成器生成的初始数据可以为(0，1)范围内的数据，通过对该初始数据进行反归一化处理，可以得到原始数据范围对应的电池样本扩充数据。
这样，通过对初始数据进行反归一化处理，即可以得到能够反映实际物理状态的电池样本扩充数据。
为了更好地描述整个方案，基于上述各实施例，举一些具体例子。
例如，如图2所示的数据生成方法流程图。该数据生成方法可以包括S210-S240，下面对此进行详细解释。
S210、基于热失控实验数据以及实际事故数据，获取与热失控问题相关的性能数据集；
S220、对与热失控问题相关的性能数据集进行数据清洗、归一化，利用滑动窗口进行固定时间窗口切片，获取切片数据集；
S230、构建“变分自编码器-生成对抗网络”联合模型，基于切片数据集，分别以第一损失函数值、第二损失函数值为优化目标，在达到第一阈值与第二阈值时，训练结束，得到可用的解码器/生成器；
S240、使用训练好的解码器/生成器生成特征数据，反归一化得到热失控演变数据。
在一些具体的例子中，与热失控问题相关的性能数据集可以为在电池热失控发生前一段时间内获取的数据集，可以包括经热失控触发实验得到的热失控实验数据，也可以包括实际发生的热失控事故中的实际事故数据。其中，与热失控问题相关的性能数据集可以是上文中的电池样本数据。通过对上述与热失控问题相关的性能数据集进行数据清洗和归一化处理，可以得到数据清洗以及归一化处理之后的数据集，进而通过利用滑动窗口进行固定时间窗口切片，可以将上述数据清洗以及归一化处理之后的数据集划分为多组数据集，即多个切片数据集。其中，切片数据集可以是上文中的多个子时间段对应的性能数据。
基于此，在构建“变分自编码器-生成对抗网络”联合模型之后，通过基于上述切片数据集，分别以第一损失函数值、第二损失函数值为优化目标，在达到第一阈值与第二阈值时，训练结束，得到可用的解码器/生成器。其中，变分自编码器的解码器即可以为生成对抗网络的生成器。另外，第一损失函数值可以为变分自编码器对应的损失函数值，第一阈值可以为第一损失函数值对应的阈值。相应地，第二损失函数值可以为生成对抗网络对应的损失函数值，第二阈值可以为第二损失函数值对应的阈值。
基于此，在使用训练好的解码器/生成器生成特征数据之后，通过对特征数据进行反归一化，即可以得到热失控演变数据。其中，热失控演变数据可以是上文中的电池样本扩充数据。
再例如，如图3所示的“变分自编码器-生成对抗网络”联合模型的结构示意图。
这里，联合模型可以包括变分自编码器和生成对抗网络两部分，其中，变分自编码器可以包括编码器和解码器，生成对抗网络可以包括生成器和鉴别器。需要说明的是，变分自编码器中的解码器可以是生成对抗网络中的生成器。另外，通过将高斯噪声输入至解码器中，可以提高训练结果的准确性。
作为一种示例，通过将处理之后的与热失控问题相关的性能数据集输入至变分自编码器的编码器中，可以在解码器中生成模拟数据。其中，与热失控问题相关的性能数据集的处理过程与上述处理过程一致，在此不再赘述。
基于此，分别以第一损失函数值为变分自编码器的优化目标，以第二损失函数值为生成对抗网络的优化目标进行模型训练，可以得到训练好的的解码器/生成器，也就是上文中的目标数据生成模型中的生成器。
由此，通过利用少量的实验数据及事故数据，训练数据生成模型，即“变分自编码器-生成对抗网络”联合模型，能够克服变分自编码器真实性不足以及生成对抗网络训练困难的缺点，进而通过训练该数据生成模型，能够得到可以生成与与热失控问题相关的性能数据集同分布的数据生成模型，并基于数据生成模型得到大量的热失控演变数据。如此，能够提高数据的获取量，且由于模型的使用可以减少数据获取时的电池消耗，因此可以降低数据的获取成本。
需要说明的是，上述本申请实施例描述的应用场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
基于相同的发明构思，本申请还提供了一种数据生成装置。具体结合图4进行详细说明。
图4是本申请一个实施例提供的数据生成装置的结构示意图。
如图4所示，该数据生成装置400可以包括：
样本获取模块401，用于获取电池样本数据，电池样本数据包括电池在热失控之前第一时间段内的性能数据；
样本模拟模块402，用于将电池样本数据输入至数据生成模型，生成模拟数据，其中，数据生成模型包括基于变分自编码器和生成对抗网络的联合模型，变分自编码器中的解码器为生成对抗网络中的生成器；
损失确定模块403，用于根据电池样本数据和模拟数据之间的数据分布相似度，确定与变分自编码器对应的第一损失函数值，以及与生成对抗网络对应的第二损失函数值；
模型训练模块404，用于根据第一损失函数值和第二损失函数值，训练数据生成模型，得到目标数据生成模型；
数据生成模块405，用于根据目标数据生成模型，生成电池样本扩充数据。
下面对上述数据生成装置400进行详细说明，具体如下所示：
在其中一些实施例中，样本获取模块401具体可以包括：
数据获取子模块，用于获取目标场景下电池在热失控之前第一时间段内的性能数据，其中，目标场景包括热失控触发实验场景或实际热失控事故场景中的至少一种场景；
时间划分子模块，用于将第一时间段按照目标滑动时间窗口进行子时间段划分，得到多个子时间段分别对应的性能数据；
数据确定子模块，用于将多个子时间段分别对应的性能数据作为电池样本数据。
在其中一些实施例中，样本获取模块401具体还可以包括：
预处理子模块，用于对第一时间段内的性能数据进行预处理，预处理包括异常数据删除处理和缺失数据插值处理中的至少一项。
在其中一些实施例中，预处理还可以包括数据归一化处理。
在其中一些实施例中，数据生成模块405具体可以包括：
数据生成子模块，用于利用目标数据生成模型中的生成器，生成初始数据；
反归一化处理子模块，用于对初始数据进行反归一化处理，得到电池样本扩充数据。
在其中一些实施例中，模型训练模块404具体可以包括：
参数调整子模块，用于在第一损失函数值不小于第一阈值的情况下，根据第一损失函数值调整变分自编码器中编码器的模型参数值；
在第二损失函数值不小于第二阈值的情况下，根据第二损失函数值调整生成对抗网络中生成器的模型参数值；
停止调整子模块，用于在第一损失函数值小于第一阈值，且第二损失函数值小于第二阈值的情况下，停止调整模型参数值，得到目标数据生成模型。
在其中一些实施例中，数据生成模块405具体还可以包括：
数据输入子模块，用于将高斯噪声数据输入至目标数据生成模型中的生成器，生成电池样本扩充数据。
由此，通过利用少量的电池样本数据，训练数据生成模型，由于该数据生成模型为变分自编码器和生成对抗网络的联合模型，该数据生成模型可以克服变分自编码器真实性不足以及生成对抗网络训练困难的缺点，进而训练得到能够生成与电池样本数据同分布的数据的目标数据生成模型，利用该目标数据生成模型生成电池样本扩充数据。这样，本申请实施例由于采用数据生成模型，利用现有少量的电池样本数据生成大量同分布的电池样本扩充数据，因此可以提高电池样本数据的获取量，且由于模型的使用可以减少数据获取时的电池消耗，因此可以降低数据的获取成本。
图5是本申请一个实施例提供的电子设备的结构示意图。
在电子设备500可以包括处理器501以及存储有计算机程序指令的存储器502。
具体地，上述处理器501可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器502可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器502可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器502可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器502可在综合网关容灾设备的内部或外部。在特定实施例中，存储器502是非易失性固态存储器。
在特定实施例中，存储器可包括只读存储器(ROM)，随机存取存储器(RAM)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本申请的一方面的方法所描述的操作。
处理器501通过读取并执行存储器502中存储的计算机程序指令，以实现上述实施例中的任意一种数据生成方法。
在一些示例中，电子设备500还可包括通信接口503和总线510。其中，如图5所示，处理器501、存储器502、通信接口503通过总线510连接并完成相互间的通信。
通信接口503主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线510包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线510可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线510可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
示例性的，电子设备500可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等。
该电子设备500可以执行本申请实施例中的数据生成方法，从而实现结合图1至图4描述的数据生成方法和装置。
另外，结合上述实施例中的数据生成方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种数据生成方法。计算机可读存储介质的示例包括非暂态计算机可读存储介质，如便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件等。
需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种数据生成方法，其特征在于，包括：
获取电池样本数据，所述电池样本数据包括电池在热失控之前第一时间段内的性能数据；
将所述电池样本数据输入至数据生成模型，生成模拟数据，其中，所述数据生成模型包括基于变分自编码器和生成对抗网络的联合模型，所述变分自编码器中的解码器为所述生成对抗网络中的生成器；
根据所述电池样本数据和所述模拟数据之间的数据分布相似度，确定与所述变分自编码器对应的第一损失函数值，以及与所述生成对抗网络对应的第二损失函数值；
根据所述第一损失函数值和所述第二损失函数值，训练所述数据生成模型，得到目标数据生成模型；
根据所述目标数据生成模型，生成电池样本扩充数据。
2.根据权利要求1所述的方法，其特征在于，所述获取电池样本数据，包括：
获取目标场景下电池在热失控之前第一时间段内的性能数据，其中，所述目标场景包括热失控触发实验场景或实际热失控事故场景中的至少一种场景；
将所述第一时间段按照目标滑动时间窗口进行子时间段划分，得到多个子时间段分别对应的性能数据；
将所述多个子时间段分别对应的性能数据作为所述电池样本数据。
3.根据权利要求2所述的方法，其特征在于，还包括：
对所述第一时间段内的性能数据进行预处理，所述预处理包括异常数据删除处理和缺失数据插值处理中的至少一项。
4.根据权利要求3所述的方法，其特征在于，所述预处理还包括数据归一化处理。
5.根据权利要求4所述的方法，其特征在于，所述根据所述目标数据生成模型，生成电池样本扩充数据，包括：
利用所述目标数据生成模型中的所述生成器，生成初始数据；
对所述初始数据进行反归一化处理，得到所述电池样本扩充数据。
6.根据权利要求1所述的方法，其特征在于，所述根据所述第一损失函数值和所述第二损失函数值，训练所述数据生成模型，得到目标数据生成模型，包括：
在所述第一损失函数值不小于第一阈值的情况下，根据所述第一损失函数值调整所述变分自编码器中编码器的模型参数值；
在所述第二损失函数值不小于第二阈值的情况下，根据所述第二损失函数值调整所述生成对抗网络中所述生成器的模型参数值；
在所述第一损失函数值小于所述第一阈值，且所述第二损失函数值小于所述第二阈值的情况下，停止调整模型参数值，得到所述目标数据生成模型。
7.根据权利要求1所述的方法，其特征在于，所述根据所述目标数据生成模型，生成电池样本扩充数据，包括：
将高斯噪声数据输入至所述目标数据生成模型中的所述生成器，生成所述电池样本扩充数据。
8.一种数据生成装置，其特征在于，包括：
样本获取模块，用于获取电池样本数据，所述电池样本数据包括电池在热失控之前第一时间段内的性能数据；
样本模拟模块，用于将所述电池样本数据输入至数据生成模型，生成模拟数据，其中，所述数据生成模型包括基于变分自编码器和生成对抗网络的联合模型，所述变分自编码器中的解码器为所述生成对抗网络中的生成器；
损失确定模块，用于根据所述电池样本数据和所述模拟数据之间的数据分布相似度，确定与所述变分自编码器对应的第一损失函数值，以及与所述生成对抗网络对应的第二损失函数值；
模型训练模块，用于根据所述第一损失函数值和所述第二损失函数值，训练所述数据生成模型，得到目标数据生成模型；
数据生成模块，用于根据所述目标数据生成模型，生成电池样本扩充数据。
9.一种电子设备，其特征在于，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-7任意一项所述的数据生成方法的步骤。
10.一种计算机程序产品，其特征在于，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如权利要求1-7任意一项所述的数据生成方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210737503.1A CN115291108A (zh) | 2022-06-27 | 2022-06-27 | 数据生成方法、装置、设备及计算机程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210737503.1A CN115291108A (zh) | 2022-06-27 | 2022-06-27 | 数据生成方法、装置、设备及计算机程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115291108A true CN115291108A (zh) | 2022-11-04 |
Family
ID=83821244
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210737503.1A Pending CN115291108A (zh) | 2022-06-27 | 2022-06-27 | 数据生成方法、装置、设备及计算机程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115291108A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116087814A (zh) * | 2023-01-28 | 2023-05-09 | 上海玫克生储能科技有限公司 | 一种提高电压采样精度的方法、装置及电子设备 |
| CN116298935A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 一种基于对抗编码器网络的锂离子电池健康状态估计方法 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06511310A (ja) * | 1991-06-13 | 1994-12-15 | アライド シグナル インコーポレイテッド | 再充電可能な蓄電池を充電し且つ試験する方法 |
| CN110245380A (zh) * | 2019-05-10 | 2019-09-17 | 西安理工大学 | 软仪表训练和样本补充方法 |
| CN111258992A (zh) * | 2020-01-09 | 2020-06-09 | 电子科技大学 | 一种基于变分自编码器的地震数据扩充方法 |
| US20200210605A1 (en) * | 2018-12-27 | 2020-07-02 | Industrial Technology Research Institute | Privacy data integration method and server |
| CN111948541A (zh) * | 2020-08-13 | 2020-11-17 | 中国第一汽车股份有限公司 | 车辆电池过压预测方法、装置、服务器及存储介质 |
| CN112148955A (zh) * | 2020-10-22 | 2020-12-29 | 南京航空航天大学 | 一种物联网时序数据异常检测方法及系统 |
| CN112489168A (zh) * | 2020-12-16 | 2021-03-12 | 中国科学院长春光学精密机械与物理研究所 | 一种图像数据集生成制作方法、装置、设备及存储介质 |
| CN112731160A (zh) * | 2020-12-25 | 2021-04-30 | 东莞新能安科技有限公司 | 电池滞回模型训练方法、估算电池soc的方法和装置 |
| CN113095402A (zh) * | 2021-04-12 | 2021-07-09 | 江南大学 | 一种基于编码输入的生成对抗网络故障检测方法及系统 |
| CN113255078A (zh) * | 2021-05-31 | 2021-08-13 | 南京信息工程大学 | 一种样本不均衡条件下的轴承故障检测方法及装置 |
| CN113777496A (zh) * | 2021-09-06 | 2021-12-10 | 北京化工大学 | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 |
| CN114035098A (zh) * | 2021-12-14 | 2022-02-11 | 北京航空航天大学 | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 |
| CN114120041A (zh) * | 2021-11-29 | 2022-03-01 | 暨南大学 | 一种基于双对抗变分自编码器的小样本分类方法 |
| CN114297936A (zh) * | 2021-12-31 | 2022-04-08 | 深圳前海微众银行股份有限公司 | 一种数据异常检测方法及装置 |
| CN114357670A (zh) * | 2021-11-26 | 2022-04-15 | 广东电力通信科技有限公司 | 一种基于bls和自编码器的配电网用电数据异常预警方法 |
| CN114355206A (zh) * | 2022-01-05 | 2022-04-15 | 浙江零碳云能源科技有限公司 | 一种基于相似性度量的储能电池无监督故障诊断算法 |
| CN114374616A (zh) * | 2021-12-30 | 2022-04-19 | 中国电信股份有限公司 | 能耗评估方法、装置、设备及介质 |
| CN114662653A (zh) * | 2022-02-24 | 2022-06-24 | 苏州恒美电子科技股份有限公司 | 一种基于生成式对抗网络的Double-LSTM电池容量估算方法 |
-
2022
- 2022-06-27 CN CN202210737503.1A patent/CN115291108A/zh active Pending
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06511310A (ja) * | 1991-06-13 | 1994-12-15 | アライド シグナル インコーポレイテッド | 再充電可能な蓄電池を充電し且つ試験する方法 |
| US20200210605A1 (en) * | 2018-12-27 | 2020-07-02 | Industrial Technology Research Institute | Privacy data integration method and server |
| CN110245380A (zh) * | 2019-05-10 | 2019-09-17 | 西安理工大学 | 软仪表训练和样本补充方法 |
| CN111258992A (zh) * | 2020-01-09 | 2020-06-09 | 电子科技大学 | 一种基于变分自编码器的地震数据扩充方法 |
| CN111948541A (zh) * | 2020-08-13 | 2020-11-17 | 中国第一汽车股份有限公司 | 车辆电池过压预测方法、装置、服务器及存储介质 |
| CN112148955A (zh) * | 2020-10-22 | 2020-12-29 | 南京航空航天大学 | 一种物联网时序数据异常检测方法及系统 |
| CN112489168A (zh) * | 2020-12-16 | 2021-03-12 | 中国科学院长春光学精密机械与物理研究所 | 一种图像数据集生成制作方法、装置、设备及存储介质 |
| CN112731160A (zh) * | 2020-12-25 | 2021-04-30 | 东莞新能安科技有限公司 | 电池滞回模型训练方法、估算电池soc的方法和装置 |
| CN113095402A (zh) * | 2021-04-12 | 2021-07-09 | 江南大学 | 一种基于编码输入的生成对抗网络故障检测方法及系统 |
| CN113255078A (zh) * | 2021-05-31 | 2021-08-13 | 南京信息工程大学 | 一种样本不均衡条件下的轴承故障检测方法及装置 |
| CN113777496A (zh) * | 2021-09-06 | 2021-12-10 | 北京化工大学 | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 |
| CN114357670A (zh) * | 2021-11-26 | 2022-04-15 | 广东电力通信科技有限公司 | 一种基于bls和自编码器的配电网用电数据异常预警方法 |
| CN114120041A (zh) * | 2021-11-29 | 2022-03-01 | 暨南大学 | 一种基于双对抗变分自编码器的小样本分类方法 |
| CN114035098A (zh) * | 2021-12-14 | 2022-02-11 | 北京航空航天大学 | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 |
| CN114374616A (zh) * | 2021-12-30 | 2022-04-19 | 中国电信股份有限公司 | 能耗评估方法、装置、设备及介质 |
| CN114297936A (zh) * | 2021-12-31 | 2022-04-08 | 深圳前海微众银行股份有限公司 | 一种数据异常检测方法及装置 |
| CN114355206A (zh) * | 2022-01-05 | 2022-04-15 | 浙江零碳云能源科技有限公司 | 一种基于相似性度量的储能电池无监督故障诊断算法 |
| CN114662653A (zh) * | 2022-02-24 | 2022-06-24 | 苏州恒美电子科技股份有限公司 | 一种基于生成式对抗网络的Double-LSTM电池容量估算方法 |
Non-Patent Citations (1)
| Title |
|---|
| YOU-REN WANG: "Imbalanced sample fault diagnosis of rotating machinery using conditional variational auto-encoder generative adversarial network", 《APPLIED SOFT COMPUTING JOURNAL》, no. 92, 21 April 2020 (2020-04-21), pages 1 - 19 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116087814A (zh) * | 2023-01-28 | 2023-05-09 | 上海玫克生储能科技有限公司 | 一种提高电压采样精度的方法、装置及电子设备 |
| CN116087814B (zh) * | 2023-01-28 | 2023-11-10 | 上海玫克生储能科技有限公司 | 一种提高电压采样精度的方法、装置及电子设备 |
| CN116298935A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 一种基于对抗编码器网络的锂离子电池健康状态估计方法 |
| CN116298935B (zh) * | 2023-05-19 | 2023-09-19 | 河南科技学院 | 一种基于对抗编码器网络的锂离子电池健康状态估计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115291108A (zh) | 数据生成方法、装置、设备及计算机程序产品 | |
| EP3349126B1 (en) | Method, device, storage medium, and apparatus for automatically discovering fuel station poi | |
| CN109874104B (zh) | 用户位置定位方法、装置、设备及介质 | |
| CN111724599A (zh) | 安全驾驶行为评价数据的获取方法、装置、设备和介质 | |
| CN109996280B (zh) | 基站经纬度核查方法、装置、设备及介质 | |
| CN116968733B (zh) | 车辆安全风险评估方法及其装置、设备、介质 | |
| CN114564370A (zh) | 告警阈值的确定方法、装置、设备及计算机存储介质 | |
| CN113408804B (zh) | 窃电行为检测方法、系统、终端设备及存储介质 | |
| CN113158589B (zh) | 一种电池管理系统的仿真模型校准方法以及装置 | |
| CN117440407A (zh) | 一种lte无线网络的评估方法及服务器 | |
| CN116486125A (zh) | 一种设备的检测方法、装置、设备及介质 | |
| CN114760190A (zh) | 一种面向服务的融合网络性能异常检测方法 | |
| CN114741690A (zh) | 网络安全监测方法、装置、设备及计算机存储介质 | |
| CN109996274B (zh) | Lte小区参数的调整方法、装置、设备及介质 | |
| CN117217422B (zh) | 车辆运动控制能力评估方法及其系统、设备、介质 | |
| CN109470253B (zh) | 一种实时定位处理方法及装置 | |
| CN117007083A (zh) | 车辆测距能力评估方法及其系统、设备、介质 | |
| CN111309716A (zh) | 应用于pas案例库的维护方法、装置及计算机设备 | |
| CN113132130B (zh) | 网络指标预测方法、装置、设备及存储介质 | |
| CN115906189A (zh) | 模型验证方法、装置、设备及计算机可读存储介质 | |
| CN116483820A (zh) | 预警方法、装置、设备及计算机可读存储介质 | |
| CN114547101B (zh) | 数据中台的数据质量评估方法、装置、设备及存储介质 | |
| CN115792476B (zh) | 充电桩整流模块异常预警方法、装置、终端及存储介质 | |
| CN115116594B (zh) | 医疗装置有效性的检测方法及装置 | |
| CN116257875A (zh) | 基于区块链的电力隐私数据可信决策模型训练方法及装置 |
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 |