[0026] 一种基于生成对抗网络的动力电池配组方法,具体步骤是:
[0027] 步骤1、获取同一回路中的n只电池的充放电电压数据;
[0028] 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);
[0029] 步骤2、对n只电池的充放电电压数据进行预处理;
[0030] 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。
[0031]
[0032]
[0033]
[0034] 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。
[0035] 步骤3、如图1所示构建生成对抗网络模型NN1;
[0036] 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。
[0037] 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。
[0038] 步骤4、如图2中虚线模块所示构建神经网络模型NN2;
[0039] 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;
[0040] 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。
[0041] 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。
[0042] 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。
[0043] 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。
[0044] 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。
[0045] 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。