一种基于生成对抗网络的动力电池配组方法   0    0

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。

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；
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。