CN108520986B - 一种基于生成对抗网络的动力电池配组方法 - Google Patents

Abstract

本发明涉及一种基于生成对抗网络的动力电池配组方法。现有配组方法需要人为的提取表征电池的特征向量，配组过程劳动力需求大，且易受人为主观因素影响，造成电池误配现象。本发明方法首先获取所有待配电池的充放电数据，并对数据进行预处理，然后构建一个生成对抗网络，即生成器和判别器。再利用训练好的生成器构建一个神经网络模型，以该神经网络作为特征提取器，自动提取充放电数据的特征，最终对所有电池的特征向量进行聚类，完成电池配组。本发明方法能够在已经学习到充放电数据分布的生成器的基础上，再训练一个能够提取特征的神经网络，很好的学习到动力电池的一致性特征，提高配组电池之间的一致性，从而提高成组电池的品质。

Description

一种基于生成对抗网络的动力电池配组方法

技术领域

本发明属于动力电池生产技术领域，具体涉及到一种基于生成对抗网络的动力电池配组方法。

背景技术

随着社会的发展和进步，不断有新的技术进入到人们的生活中，如近几年随着人工智能技术的迅速发展，使得深度学习成为了技术热潮。而电动自行车作为人们日常生活中的交通工具。它的动力来源主要是动力电池，但是其实际使用寿命却成为了电动车发展的瓶颈，因为单体电池无法满足电动自行车的电压和功率要求，因此，动力电池将会以电池组的形式存在。

动力电池组通常是由3节或者是4节单体动力电池组成，串联在一起的电池会随着单体电池间内部物理特性的不一致性，从而影响整个电池组的寿命。并且电池的不一致性，会随着反复的充放电进一步加剧电池组的不一致性，使得整体的电池容量变得更低，从而影响到电池组的使用寿命。

因此，在电池配组过程中，减小电池组中单体电池间的不一致性，可以提高电池组的整个电池组的寿命，而且，目前国内各大动力电池生产厂商基本上都是以全人工的方式，来从电池充放电曲线中选取若干个端电压作为配组依据，对电池进行配组，整个过程不仅工作量大，还容易受到人为主观因素的影响，且选取的表征电池的特征并不能很好的反应出单体电池的特性，从而导致电池误匹配的情况。

发明内容

本发明的目的就是为了克服人工特征提取的片面性、提高配组过程的生产效率，提出了一种基于生产对抗网络的动力电池配组方法，可以根据同一充放电回路中的所有电池的充放电数据，自动化的完成电池配组，并且能够提高电池组单体电池间的一致性。

本发明该方法的具体步骤如下：

步骤1、获取同一回路中的n只电池的充放电电压数据；

对回路以电流大小为C₁进行恒流放电，每隔时间T_d测量回路中所有电池的端电压，直至放电时间达到T₁，设第i只电池的端电压序列为

d表示放电，M＝T₁/T_d为放电序列长度；以电流大小为C₂对回路中的电池进行恒流充电，每隔时间T_c测量回路中所有电池的端电压，直至充电时间达到T₂,设第i只电池的端电压序列为

c表示充电，N＝T₂/T_c为充电序列长度；因此，每一只电池的电压数据序列为，

序列长度为(M+N)；

步骤2、对n只电池的充放电电压数据进行预处理；

将步骤1中获得的所有电池的端电压序列进行归一化，其中第i只电池的第p个端电压的归一化值为

p是端电压序列的索引，1≤p≤M+N；

其中，公式(3)中的

是指第i只电池，在第p个端电压的值，当p小于等于M时，

表征的是放电电压

当大于等于(M+1)时，表征的是充电电压

公式(1)中的μ_p是n只电池在第p个端电压的平均值，公式(2)中的σ_p是n只电池在第p个端电压的标准差；

步骤3、构建生成对抗网络模型NN₁；

首先，输入n组符合高斯分布的K维随机张量到对抗网络模型NN₁的生成器G中，得到n*(M+N)维的输出张量，生成对抗网络模型NN₁的生成器G的输入节点数为K,输出节点数为(M+N),隐藏层节点数为H₁,H₁为

此时，生成器G的输出张量的大小为n*(M+N),即n组样本，每一组样本的维度是(M+N),令这n组样本的每一组样本的标签为0，即作为假样本；然后，对步骤2生成的n组归一化后的电压数据样本的标签为1，即作为真样本；训练生成对抗网络中的判别器D,判别器D为有监督的二分类模型；输入节点数为(M+N),输出节点数为1，隐藏层节点数为H₂,H₂为

对模型进行训练获得其生成器的最优权值矩阵W₃、W₄和偏置向量b₃、b₄，其中W₃的大小为(M+N)*H₂,b₃为H₂*1,W₄的大小为H₂*1,b₄为1*1,并在判别器D的输出节点采用sigmoid作为非线性映射激活函数，函数表达式为

训练生成对抗网络的生成器G,将生成对抗网络的生成器G和判别器D一起训练，训练过程中固定判别器D的参数W₃、W₄、b₃和b₄，只更新生成器G的参数W₁、W₂、b₁和b₂；令步骤3中生成的n组符合高斯分布的K维随机张量所对应的标签为1，即所对应的标签张量大小为n*1；对模型进行训练获得其生成器G的最优权值矩阵W₁、W₂和偏置向量b₁、b₂，其中W₁的大小为K*H₁,b₁为H₁*1,W₂的大小为H₁*(M+N),b₂为(M+N)*1,并在生成器G的输出节点采用sigmoid作为非线性映射激活函数，完成一次生成器的训练；

步骤4、构建神经网络模型NN₂；

首先，将步骤3中生成的n组符合高斯分布的K维随机张量输入步骤3中训练好的生成对抗网络的生成器G中，得到n*(M+N)维的输出张量；把该输出张量作为的神经网络模型NN₂的输入数据，将n*K维的张量作为神经网络模型NN₂所对应的标签；神经网络模型NN₂的输入节点数为(M+N),输出节点数为K，隐藏层节点数为H₃,H₃为

因此，对模型进行训练获得其生成器的最优权值矩阵W₅、W₆和偏置向量b₅、b₆，其中W₅的大小为(M+N)*H₃,b₅为(M+N)*1,W₆的大小为H₃*K,b₆为K*1；

步骤5、根据步骤4中得到的神经网络模型NN₂，对所有n只电池的充放电序列进行特征提取：计算所有充放电序列通过NN₂所得到的输出向量，即为所提取出的充放电序列特征；

步骤6、对上述步骤5中得到的充放电序列的特征向量进行聚类，将聚为一类的电池配为一组。

基于本方法的动力电池配组结果与传统的人工配组相比，可以自动的提取出能够表征电池充放电数据的特征向量，故能够很好的提高组内单体电池间的一致性，从而提高电池组的使用寿命。

附图说明

图1为本发明方法中生成对抗网络模型NN₁的结构图；

图2为本发明方法中的整体结构框图。

图3为本发明中生成器G、判别器D和神经网络模型NN₂的内部结构图。

图1～3中input表示输入、output表示输出、G表示生成器、D表示判别器，real是真实样本数据集，即电池充放电序列、NN₂表示神经网络、h表示隐藏层，W_i是输入层到隐藏层的权值，大小为[输入层节点数*隐藏层节点数]，b_i为隐藏层的偏置，大小为[隐藏层节点数*1]，W_j是隐藏层到输出层的权值，大小为[隐藏层节点数*输出层节点数]，b_j为输出层的偏置，大小为[输出层节点数*1]。

具体实施方式

一种基于生成对抗网络的动力电池配组方法，具体步骤是：

步骤1、获取同一回路中的n只电池的充放电电压数据；

对回路以电流大小为C₁进行恒流放电，每隔时间T_d测量回路中所有电池的端电压，直至放电时间达到T₁，设第i只电池的端电压序列为

d表示放电，M＝T₁/T_d为放电序列长度；以电流大小为C₂对回路中的电池进行恒流充电，每隔时间T_c测量回路中所有电池的端电压，直至充电时间达到T₂,设第i只电池的端电压序列为

c表示充电，N＝T₂/T_c为充电序列长度。因此，每一只电池的电压数据序列为，

序列长度为(M+N)；

步骤2、对n只电池的充放电电压数据进行预处理；

将步骤1中获得的所有电池的端电压序列进行归一化，其中第i只电池的第p个端电压的归一化值为

p是端电压序列的索引，1≤p≤M+N。

其中，公式(3)中的

是指第i只电池，在第p个端电压的值，当p小于等于M时，

表征的是放电电压

当大于等于(M+1)时，表征的是充电电压

公式(1)中的μ_p是n只电池在第p个端电压的平均值，公式(2)中的σ_p是n只电池在第p个端电压的标准差。

步骤3、如图1所示构建生成对抗网络模型NN₁；

首先，输入n组符合高斯分布的K维随机张量到对抗网络模型NN₁的生成器G中，生成器G的内部结构图如图3所示，得到n*(M+N)维的输出张量，生成对抗网络模型NN₁的生成器G的输入节点数为K,输出节点数为(M+N),隐藏层节点数为H₁,H₁为

此时，生成器G的输出张量的大小为n*(M+N),即n组样本，每一组样本的维度是(M+N),令这n组样本的每一组样本的标签为0，即作为假样本。然后，对步骤2生成的n组归一化后的电压数据样本的标签为1，即作为真样本。这个时候，我们便可以开始训练生成对抗网络中的判别器D,这里的判别器D也就是一个有监督的二分类模型。判别器D的内部结构图如图3所示，输入节点数为(M+N),输出节点数为1，隐藏层节点数为H₂,H₂为

因此，对模型进行训练获得其生成器的最优权值矩阵W₃、W₄和偏置向量b₃、b₄，其中W₃的大小为(M+N)*H₂,b₃为H₂*1,W₄的大小为H₂*1,b₄为1*1,并在判别器D的输出节点采用sigmoid作为非线性映射激活函数，函数表达式为

这样也就完成了一次判别器的训练。接着，我们开始训练生成对抗网络的生成器G,我们这个时候将生成对抗网络的生成器G和判别器D一起训练，但是训练过程中固定判别器D的参数W₃、W₄、b₃和b₄，只更新生成器G的参数W₁、W₂、b₁和b₂。然后令步骤3中生成的n组符合高斯分布的K维随机张量所对应的标签为1，即所对应的标签张量大小为n*1。对模型进行训练获得其生成器G的最优权值矩阵W₁、W₂和偏置向量b₁、b₂，其中W₁的大小为K*H₁,b₁为H₁*1,W₂的大小为H₁*(M+N),b₂为(M+N)*1,并在生成器G的输出节点采用sigmoid作为非线性映射激活函数，这样也就完成了一次生成器的训练。

在本发明的一个具体实例中，取M+N＝400,K＝20,采用欧式距离度量下的约束作为生成器G和判别器D中的损失函数，并在生成器G和判别器D中的隐藏层中采用ReLU函数作为非线性映射激活函数，函数表达式为

采用梯度下降法迭代训练得到NN₁中的最优参数。在本发明方法中，采用单独交替迭代训练的方式来对生成器G和判别器D进行训练，即对判别器G的参数更新K次，再对生成器D的参数更新1次，直到判别器D针对所有样本输入的输出值近似为0.5。

步骤4、如图2中虚线模块所示构建神经网络模型NN₂；

首先，将步骤3中生成的n组符合高斯分布的K维随机张量输入步骤三中训练好的生成对抗网络的生成器G中，得到n*(M+N)维的输出张量。把该输出张量作为的神经网络模型NN₂的输入数据，将n*K维的张量作为神经网络模型NN₂所对应的标签。神经网络模型NN₂的内部结构图如图3所示，神经网络模型NN₂的输入节点数为(M+N),输出节点数为K，隐藏层节点数为H₃,H₃为

因此，对模型进行训练获得其生成器的最优权值矩阵W₅、W₆和偏置向量b₅、b₆，其中W₅的大小为(M+N)*H₃,b₅为(M+N)*1,W₆的大小为H₃*K,b₆为K*1；

在本发明的一个具体实例中，采用欧式距离度量下的约束作为神经网络模型NN₂中的损失函数，并在神经网络模型NN₂中的隐藏层中采用sigmoid函数作为非线性映射激活函数，采用梯度下降法迭代训练得到神经网络模型NN₂中的最优参数。

步骤5、根据步骤4中得到的神经网络模型NN₂，对所有n只电池的充放电序列进行特征提取：计算所有充放电序列通过NN₂所得到的输出向量，即为所提取出的充放电序列特征。

步骤6、对上述步骤5中得到的充放电序列的特征向量进行聚类，将聚为一类的电池配为一组。

基于本方法的动力电池配组结果与传统的人工配组相比，可以自动的提取出能够表征电池充放电数据的特征向量，故能够很好的提高组内单体电池间的一致性，从而提高电池组的使用寿命。

在本发明的一个实例中，采用基于欧氏距离的K-means算法来完成聚类。

基于本方法的动力电池配组结果与传统的人工配组相比，可以自动的提取出能够表征电池充放电数据的特征向量，故能够很好的提高组内单体电池间的一致性，从而提高电池组的使用寿命。

Claims (1)

1.一种基于生成对抗网络的动力电池配组方法，其特征在于，该方法的具体步骤如下：

步骤1、获取同一回路中的n只电池的充放电电压数据；

对回路以电流大小为C₁进行恒流放电，每隔时间T_d测量回路中所有电池的端电压，直至放电时间达到T₁，设第i只电池的端电压序列为

d表示放电，M＝T₁/T_d为放电序列长度；以电流大小为C₂对回路中的电池进行恒流充电，每隔时间T_c测量回路中所有电池的端电压，直至充电时间达到T₂,设第i只电池的端电压序列为

c表示充电，N＝T₂/T_c为充电序列长度；因此，每一只电池的电压数据序列为，

序列长度为(M+N)；

步骤2、对n只电池的充放电电压数据进行预处理；

将步骤1中获得的所有电池的端电压序列进行归一化，其中第i只电池的第p个端电压的归一化值为

p是端电压序列的索引，1≤p≤M+N；

其中，公式(3)中的

是指第i只电池，在第p个端电压的值，当p小于等于M时，

表征的是放电电压

当大于等于(M+1)时，表征的是充电电压

公式(1)中的μ_p是n只电池在第p个端电压的平均值，公式(2)中的σ_p是n只电池在第p个端电压的标准差；

步骤3、构建生成对抗网络模型NN₁；

输入n组符合高斯分布的K维随机张量到对抗网络模型NN₁的生成器G中，得到n*(M+N)维的输出张量，生成对抗网络模型NN₁的生成器G的输入节点数为K,输出节点数为(M+N),隐藏层节点数为H₁,H₁为

此时，生成器G的输出张量的大小为n*(M+N),即n组样本，每一组样本的维度是(M+N),令这n组样本的每一组样本的标签为0，即作为假样本；然后，对步骤2生成的n组归一化后的电压数据样本的标签为1，即作为真样本；训练生成对抗网络中的判别器D,判别器D为有监督的二分类模型；输入节点数为(M+N),输出节点数为1，隐藏层节点数为H₂,H₂为

对模型进行训练获得其生成器的最优权值矩阵W₃、W₄和偏置向量b₃、b₄，其中W₃的大小为(M+N)*H₂,b₃为H₂*1,W₄的大小为H₂*1,b₄为1*1,并在判别器D的输出节点采用sigmoid作为非线性映射激活函数，函数表达式为

训练生成对抗网络的生成器G,将生成对抗网络的生成器G和判别器D一起训练，训练过程中固定判别器D的参数W₃、W₄、b₃和b₄，只更新生成器G的参数W₁、W₂、b₁和b₂；令步骤3中生成的n组符合高斯分布的K维随机张量所对应的标签为1，即所对应的标签张量大小为n*1；对模型进行训练获得其生成器G的最优权值矩阵W₁、W₂和偏置向量b₁、b₂，其中W₁的大小为K*H₁,b₁为H₁*1,W₂的大小为H₁*(M+N),b₂为(M+N)*1,并在生成器G的输出节点采用sigmoid作为非线性映射激活函数，完成一次生成器的训练；

步骤4、构建神经网络模型NN₂；

将步骤3中生成的n组符合高斯分布的K维随机张量输入步骤3中训练好的生成对抗网络的生成器G中，得到n*(M+N)维的输出张量；把该输出张量作为的神经网络模型NN₂的输入数据，将n*K维的张量作为神经网络模型NN₂所对应的标签；神经网络模型NN₂的输入节点数为(M+N),输出节点数为K，隐藏层节点数为H₃,H₃为

因此，对模型进行训练获得其生成器的最优权值矩阵W₅、W₆和偏置向量b₅、b₆，其中W₅的大小为(M+N)*H₃,b₅为(M+N)*1,W₆的大小为H₃*K,b₆为K*1；

步骤5、根据步骤4中得到的神经网络模型NN₂，对所有n只电池的充放电序列进行特征提取；计算所有充放电序列通过NN₂所得到的输出向量，即为所提取出的充放电序列特征；

步骤6、对上述步骤5中得到的充放电序列的特征向量进行聚类，将聚为一类的电池配为一组。

Images