CN108520986B - 一种基于生成对抗网络的动力电池配组方法 - Google Patents
一种基于生成对抗网络的动力电池配组方法 Download PDFInfo
- Publication number
- CN108520986B CN108520986B CN201810444689.5A CN201810444689A CN108520986B CN 108520986 B CN108520986 B CN 108520986B CN 201810444689 A CN201810444689 A CN 201810444689A CN 108520986 B CN108520986 B CN 108520986B
- Authority
- CN
- China
- Prior art keywords
- generator
- batteries
- discharge
- battery
- samples
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
- H01M10/441—Methods for charging or discharging for several batteries or cells simultaneously or sequentially
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
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
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Td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/Td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Tc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/Tc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;
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μp是n只电池在第p个端电压的平均值,公式(2)中的σp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,Wi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],bi为隐藏层的偏置,大小为[隐藏层节点数*1],Wj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],bj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Td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/Td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Tc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/Tc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;
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μp是n只电池在第p个端电压的平均值,公式(2)中的σp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Td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/Td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Tc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/Tc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;
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μp是n只电池在第p个端电压的平均值,公式(2)中的σp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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810444689.5A CN108520986B (zh) | 2018-05-10 | 2018-05-10 | 一种基于生成对抗网络的动力电池配组方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810444689.5A CN108520986B (zh) | 2018-05-10 | 2018-05-10 | 一种基于生成对抗网络的动力电池配组方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108520986A CN108520986A (zh) | 2018-09-11 |
CN108520986B true CN108520986B (zh) | 2020-04-21 |
Family
ID=63430516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810444689.5A Active CN108520986B (zh) | 2018-05-10 | 2018-05-10 | 一种基于生成对抗网络的动力电池配组方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108520986B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410131B (zh) * | 2018-09-28 | 2020-08-04 | 杭州格像科技有限公司 | 基于条件生成对抗神经网络的人脸美颜方法及*** |
CN109613440B (zh) * | 2019-01-17 | 2021-06-08 | 清华-伯克利深圳学院筹备办公室 | 电池的分级方法、装置、设备和存储介质 |
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 |
CN114565148B (zh) * | 2022-02-23 | 2022-11-15 | 广州市城市规划勘测设计研究院 | 一种充电需求预测方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104849671B (zh) * | 2015-05-22 | 2017-07-11 | 大连理工大学 | 一种基于组合神经网络的电池组容量检测*** |
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN105680109B (zh) * | 2016-03-25 | 2018-01-30 | 杭州电子科技大学 | 一种基于深度学习的动力电池配组方法 |
-
2018
- 2018-05-10 CN CN201810444689.5A patent/CN108520986B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108520986A (zh) | 2018-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520986B (zh) | 一种基于生成对抗网络的动力电池配组方法 | |
CN110752410B (zh) | 一种快速分选和重组退役锂电池的方法 | |
CN111157899B (zh) | 一种基于模型融合思想对电池soc的估计方法 | |
CN113484787B (zh) | 基于电化学阻抗谱的退役锂离子电池快速分选重组方法 | |
CN110175386B (zh) | 变电站电气设备温度预测方法 | |
CN111007417A (zh) | 基于不一致性评估的电池组soh和rul预测方法及*** | |
CN113702843B (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc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 | |
CN115632179B (zh) | 一种锂离子电池智能快速充电方法及*** | |
CN108009585B (zh) | 基于局部信息融合的铅酸电池健康状态预测方法 | |
CN110544177A (zh) | 基于电力指纹的负荷识别方法及计算机可读存储介质 | |
CN113296009B (zh) | 一种退役动力锂离子电池剩余寿命预测及重组方法 | |
CN111027625A (zh) | 基于SAE和K-means聚类算法的电池筛选方法 | |
CN114545274A (zh) | 一种锂电池剩余寿命预测方法 | |
CN105680109A (zh) | 一种基于深度学习的动力电池配组方法 | |
CN108303649A (zh) | 一种电池健康状态识别方法 | |
CN107895212A (zh) | 基于滑动窗口和多视角特征融合的铅酸电池寿命预测方法 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN113657030A (zh) | 一种基于高斯过程回归的锂电池剩余使用寿命预测方法 | |
CN112327165B (zh) | 一种基于无监督迁移学习的电池soh预测方法 | |
CN114280490A (zh) | 一种锂离子电池荷电状态估计方法及*** | |
CN115659258B (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 | |
CN116626499A (zh) | 基于能压峰特征和改进lstm的锂电池健康状态估计方法 | |
Udeogu et al. | Remaining useful life prediction for supercapacitors using an optimized end-to-end deep learning approach | |
CN111537889B (zh) | 一种数据驱动的梯次电池rul预测与分类方法 |
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 |