基于生成对抗网络锂电池健康状态评估方法及装置与流程

本发明涉及锂电池健康状态评估领域，更具体涉及基于生成对抗网络锂电池健康状态评估方法及装置。

背景技术：

1、为应对全球变暖和气候变化，我国大力发展不同类型的新能源，其中电动汽车作为一种减少对化石燃料依赖的清洁交通技术已被广泛应用。然而，电动汽车的性能取决于可靠性、安全性、行驶里程和动力电池系统，其中动力电池系统作为电动汽车的能源动力，是影响电动汽车性能和安全运行的关键。在不同类型动力电池中，由于锂离子电池具有循环寿命长、能量密度高、功率高、自放电率低、耐高温范围大、对环境污染小等特性，被广泛应用于电动汽车领域。

2、研究锂离子电池的性能状态对于避免由于锂离子电池老化引发的安全隐患至关重要。锂离子电池soh评估能够追踪电池在运行中的实际性能，反映电池当前相对于其寿命开始时的储存和供应能量/功率，以对电池老化程度进行定量或定性评估，通过电池soh评估可预测电池剩余使用寿命或剩余充放电周期，从而为锂离子电池更换提供依据。在现有的研究中，通常采用锂离子电池的内阻作为soh的度量，容量作为soh的表征。一般而言，当锂离子电池容量低于80%或其内阻翻倍时，锂离子电池被视为寿命结束。虽然内阻可以通过电化学阻抗谱、混合脉冲功率表征等多种方法进行测量，但内阻的精确测量较为困难，且锂离子电池内阻与soh之间并没有直接的关系，这给基于电池内阻的soh评估带来了困难。相比之下，在恒流充放电条件下，可以用库仑计数法直接测量容量，因此，基于容量的锂离子电池的soh评估应用更为广泛。

3、然而，在有关容量评估的研究中，容量是被假设已知的，但在实际应用中并非如此。可以从锂离子电池充放电曲线中提取特征来估计容量，而通过从锂离子电池充放电曲线中提取特征从而来估计锂离子电池的容量，也被称为间接锂离子电池soh评估方法。此外，除了上述利用充放电曲线间接进行锂离子电池soh评估的方法，仍然有许多研究学者了为了进一步简化锂离子电池soh评估的方法而致力于从锂离子电池充放电曲线中提取特征，进而直接用于评估锂离子电池的soh。而在这些直接评估锂离子电池soh的方法中，利用神经网络等数据驱动模型来进行最大容量评估，从而来评估锂离子电池soh的方法被广泛应用，例如中国专利公开号cn114881318a公开的基于生成对抗网络的锂电池健康状态预测方法及系统。

4、综上所述，锂离子电池健康状态的评估主要是对容量的直接或间接地评估，而容量评估离开不了锂离子电池充放电曲线，而在锂离子电池充放电曲线样本充足的情况下，甚至可以使用各种技术估计多个电池状态。但在实际使用中并没有充足的充放电曲线，因为锂离子电池需要很长时间才会老化，无数次的老化循环实验为获取足够多的数据带来了时间上的损耗，且获取有效的数据也大大提高了实验仪器的要求。而无法获得足量的充电曲线数据对于模型评估的精度影响是非常大的，因此在小样本电池充电数据下保证最大容量评估的评估效果是非常重要的。

技术实现思路

1、本发明所要解决的技术问题在于提供基于生成对抗网络锂电池健康状态评估方法及装置，从而在小样本电池充电数据下保证最大容量评估的评估效果。

2、本发明通过以下技术手段实现解决上述技术问题的：

3、基于生成对抗网络锂电池健康状态评估方法，所述方法包括：

4、步骤a：构建生成对抗网络模型，所述生成对抗网络模型包括顺序连接的生成器、vs模块、鉴别器；

5、步骤b：将随机噪声和类别标签结合输入至生成器，生成器使用随机噪声生成伪样本，伪样本和对应的类别标签输入vs模块，对生成的伪样本进行筛选，将偏离真实样本的伪样本剔除，经过vs模块处理的伪样本及其类别标签、真实样本及其类别标签结合输入至鉴别器中，鉴别器判别样本的真伪并对样本的类别进行判别；

6、步骤c：构建生成对抗网络模型的损失函数，对生成对抗网络模型中生成器与鉴别器不断对抗优化训练，直到损失函数最小时，鉴别器无法判别生成器生成的伪样本的真伪，停止训练，得到最优的生成对抗网络模型；

7、步骤d：将实时采集的锂离子电池充放电曲线作为样本输入最优的生成对抗网络模型的生成器，最终输出锂电池健康状态评估结果。

8、进一步地，所述生成器采用反卷积结构。

9、进一步地，所述鉴别器采用卷积神经网络的卷积结构。

10、进一步地，所述vs模块的算法公式为

11、

12、

13、其中，表示第个伪样本的矩阵表达式，表示个伪样本的均值，表示第个真实样本的矩阵表达式，表示个真实样本的均值，表示个真实样本的均值，，代表真实样本的数量，表示个伪样本的均值，，表示伪样本的数量，表示第个真实样本的矩阵表达式，表示第个伪样本的矩阵表达式，表示第个伪样本的矩阵表达式，表示转置矩阵。

14、更进一步地，所述步骤c，包括：

15、通过公式

16、

17、构建生成对抗网络模型的损失函数；

18、其中，表示关于 x的概率分布，表示真实数据，表示生成器使用随机噪声生成伪样本的关于z的概率分布，表示随机噪声数据，表示来自于真实数据分布的期望，表示来自于伪样本数据分布的期望，表示带有辅助标签 y后鉴别器将真实样本判定为真实数据时产生的损失值，表示带有类别标签 y后生成器根据随机噪声生成的伪样本数据，表示带有类别标签y后鉴别器将生成器生成的伪样本数据判定为真实数据时产生的损失。

19、本发明还提供基于生成对抗网络锂电池健康状态评估装置，所述装置包括：

20、模型构建模块，用于构建生成对抗网络模型，所述生成对抗网络模型包括顺序连接的生成器、vs模块、鉴别器；

21、数据处理模块，用于将随机噪声和类别标签结合输入至生成器，生成器使用随机噪声生成伪样本，伪样本和对应的类别标签输入vs模块，对生成的伪样本进行筛选，将偏离真实样本的伪样本剔除，经过vs模块处理的伪样本及其类别标签、真实样本及其类别标签结合输入至鉴别器中，鉴别器判别样本的真伪并对样本的类别进行判别；

22、模型训练模块，用于构建生成对抗网络模型的损失函数，对生成对抗网络模型中生成器与鉴别器不断对抗优化训练，直到损失函数最小时，鉴别器无法判别生成器生成的伪样本的真伪，停止训练，得到最优的生成对抗网络模型；

23、结果评估模块，用于将实时采集的锂离子电池充放电曲线作为样本输入最优的生成对抗网络模型的生成器，最终输出锂电池健康状态评估结果。

24、进一步地，所述生成器采用反卷积结构。

25、进一步地，所述鉴别器采用卷积神经网络的卷积结构。

26、进一步地，所述vs模块的算法公式为

27、

28、

29、其中，表示第个伪样本的矩阵表达式，表示个伪样本的均值，表示第个真实样本的矩阵表达式，表示个真实样本的均值，表示个真实样本的均值，，代表真实样本的数量，表示个伪样本的均值，，表示伪样本的数量，表示第个真实样本的矩阵表达式，表示第个伪样本的矩阵表达式，表示第个伪样本的矩阵表达式，表示转置矩阵。

30、更进一步地，所述模型训练模块，还用于：

31、通过公式

32、

33、构建生成对抗网络模型的损失函数；

34、其中，表示关于 x的概率分布，表示真实数据，表示生成器使用随机噪声生成伪样本的关于z的概率分布，表示随机噪声数据，表示来自于真实数据分布的期望，表示来自于伪样本数据分布的期望，表示带有辅助标签 y后鉴别器将真实样本判定为真实数据时产生的损失值，表示带有类别标签 y后生成器根据随机噪声生成的伪样本数据，表示带有类别标签y后鉴别器将生成器生成的伪样本数据判定为真实数据时产生的损失。

35、本发明的优点在于：

36、（1）本发明为满足神经网络进行锂离子电池soh评估时对于数据样本的需求，利用生成对抗网络模型中的生成器扩充更接近真实样本的伪样本，将其作为辅助样本集与真实样本一起带入网络中训练，从而实现最大容量评估，其中在生成器生成样本的过程中利用vs模块规避了偏离真实样本分布的个别样本，使得生成的伪样本样本质量与真实样本相同，且比真实样本更加多样化，同时通过构建损失函数对模型进行训练，提高模型准确度，从而保证评估结果的准确性，实现在小样本电池充电数据下保证最大容量评估的评估效果。

37、（2）本发明提供vs模块的算法公式，由于锂离子电池充电曲线实际上是一种一维信号数据，每条真实的充电曲线都会有自己的波动，为了将生成对抗网络生成的伪样本波动限制在真实充电曲线波动中，vs模块的算法公式的第一个公式将样本的波动进行量化，在生成器生成伪样本后直接过滤掉波动超出真实充电曲线波动的伪样本，加快收敛速度，并提高伪样本的生成质量。其次，从样本稳定性的角度进行分析，当生成的伪样本与生成的伪样本均值的偏差小于或等于真实样本与真实样本均值的最大偏差时，生成的样本可认为是稳定且高质量的，因此利用vs模块的算法公式的第二个公式量化每条充电曲线样本的稳定性，并比较生成的伪样本与真实充电曲线的稳定程度，从而过滤掉均值偏差大于真实充电曲线的伪样本。