基于条件生成对抗网络的电池容量衰减曲线生成方法

本发明属于锂电池衰减分析的，具体而言，涉及一种基于条件生成对抗网络的电池容量衰减曲线生成方法。

背景技术：

1、锂离子电池作为一种重要的可充电电池，已广泛应用于电动汽车、移动设备、储能等领域，而锂离子电池的性能常常与其充放电循环次数、充放电倍率等因素相关。因此，精确预测电池的容量曲线，对于电池的性能评估、设备设计与控制具有重要意义。

2、近年来，以数据驱动为主的方法在电池容量退化轨迹预测中已经取得了巨大的成就，深度学习技术凭借准确、稳定、高效的预测分析等特点脱颖而出。然而，深度学习相关算法通常需要大量的数据集进行模型训练，而且参与网络模型训练的数据集需要具有一定的多样性，从而提高模型预测分析的准确性和泛化性。但是在实际应用中，传统的数据采集方法需要耗费大量的时间和成本，而且电池退化数据的采集受到电池工作环境、负载、采集方法等多种因素的影响，电池退化数据不像金融、图像数据集那样成千上万，在研究中可用的数据集极其珍贵。为了获取更多、更丰富的电池退化数据集，进一步扩大研究成果和应用场景，本研究通过数据生成技术来对现有的电池退化数据集进行扩充，从而提高数据集的样本数和多样性，提高深度学习网络模型预测分析的精准度和鲁棒性，从而推动电池容量退化轨迹预测的研究和发展。

3、目前，在电池容量数据生成中，主流的方法有基于传统模型的数据生成方法：其一般通过数学或物理模型的建立，来探索电池容量退化的规律，从而模拟生成数据，此方法虽然生成数据的数量及质量较高，但是生成的数据较为单一，泛化能力较差；基于统计学方法：此方法主要是采用统计学的方法来分析提取电池容量随时间变化的规律，根据提取出的规律来生成数据，此方法可以较为精准的模拟电池容量的变化，但是需要大量的实验数据支持，而且具有跟传统模型数据生成一样的弊端性。因此，寻求一种既能生成数量大、多样性强，并且生成的数据逼真度高的数据增强方法显得迫在眉睫。深度学习从诞生至今，已经涌现出了生成对抗网络(gan)、循环神经网络(rnn)、变分自编码器(vae)等一大批优秀的模型。这些模型在数据增强领域内也已经取得了非常好的效果。

4、本研究采用gan家族中的条件生成对抗网络(cgan)对电池容量退化数据集进行增强。在本发明中cgan是更为合适的选择，而不是rnn、vae或其他模型。首先，rnn只能生成与历史数据类似的序列，而在生成电池容量衰减曲线时，条件信息是必须考虑的，而rnn不能够有效利用这些条件信息生成符合条件的容量衰减曲线；其次，vae可以生成与训练数据类似的数据，但是它并不能控制生成数据的特征，在生成电池容量衰减曲线的任务中，我们需要根据不同的条件信息生成特定要求的容量衰减曲线，而vae不能够有效实现这一点。相比之下，cgan是专门用于生成有条件限制的模型，因此它适用于生成电池容量衰减曲线。此外，cgan较标准gan来说，其最大的优点在于条件向量的引入，通过输入噪声和条件信息，可以在多维度空间中生成电池容量衰减曲线，使得生成的曲线更加具有多样性。

技术实现思路

1、鉴于此，为了解决现有技术存在的上述问题，本发明的目的在于提供一种基于条件生成对抗网络的电池容量衰减曲线生成方法以解决锂电池容量数据因传统数据采集方法而面临的成本和时间限制，从而可以有效地生成大量的数据，用于之后电池容量曲线预测、电池性能评估等方面的研究。

2、本发明所采用的技术方案为：一种基于条件生成对抗网络的电池容量衰减曲线生成方法，该生成方法包括以下步骤：

3、s1：获取锂电池的真实容量衰减曲线；

4、s2：对锂电池的真实容量衰减曲线进行归一化处理，且将处理后的数据集划分为训练数据集和测试数据集；

5、s3：构建cgan网络模型，且cgan网络模型包括生成器和判别器；

6、s4：将训练数据集输入到cgan网络模型中进行训练，获取最优的生成器；

7、s5：通过最优的生成器批量生成锂电池的预测容量衰减曲线，且使用最大多样性的生成曲线选择方法挑选出最具有代表性的预测容量衰减曲线；

8、s6：计算测试数据集与最具有代表性的预测容量衰减曲线之间的相似性得分，从而评估生成器的性能，若生成器的性能良好，则获得一组良好的cgan网络模型；若生成器的性能不好，则返回至s4继续训练。

9、进一步地，在s1中，获取锂电池的真实容量衰减曲线数据的方法为：

10、s101：对锂电池按照寿命长短划分为三类，分别是短寿命、中等寿命和长寿命，其中短寿命是小于700个周期，中等寿命是700～1500个周期，长寿命是大于1500个周期；

11、s102：采用k-means聚类算法进行聚类，得到每类锂电池的真实容量衰减曲线对应的聚类中心曲线。

12、进一步地，在所述s2中，其包括：

13、s201：定义各类真实容量衰减曲线的one-hot编码分别为000，010，100；

14、s202：读取各类真实容量衰减曲线的聚类中心曲线数据，对x轴添加一人为控制的噪音n1，对y轴添加一人为控制的噪音n2；

15、s203：将各个聚类中心曲线和各自对应的one-hot编码扩充m倍存放到一个集合对象中；

16、s204：对获取到的集合对象进行归一化处理；

17、s205：将归一化处理后的集合对象封装成一个数据加载器作为训练数据集。

18、进一步地，在每类真实容量衰减曲线中去除聚类中心曲线之后，随机挑选条数据作为测试数据集。

19、进一步地，在s3中，构建的cgan网络模型包括：生成器和判别器；

20、所述生成器包括batchnorm1d函数层和5个线性层，该生成器的输入是随机性的噪音和每类真实容量衰减曲线的one-hot编码，输出是经过五层线性层处理后产生的预测容量衰减曲线；

21、所述判别器包括4个线性层，该判别器的输入是真实容量衰减曲线、每类真实容量衰减曲线的one-hot编码和生成器的输出，输出是真实度较高的预测容量衰减曲线及对当前预测容量衰减曲线所属的类别判断为真的概率。

22、进一步地，在s4中，通过以下方法获取最优的生成器，如下：

23、s401：获取训练数据集后，随机生成同等大小的一批符合0～1正太分布的随机噪音，将随机噪音和当前训练数据集中各类真实容量衰减曲线的one-hot编码一同输入到生成器中进行正向传播；

24、s402：将生成器的输出、当前真实容量衰减曲线所属的类别和真实容量衰减曲线输入判别器中；

25、s403：通过判别器的输出和真实容量衰减曲线计算损失值，进行反向传播并反馈到生成器中，由生成器与判别器之间的相互对抗，以获取最优的生成器。

26、进一步地，在s5中，挑选出最具有代表性预测容量衰减曲线的方法如下：

27、s501：利用训练出的最优生成器批量生成预测容量衰减曲线并定义为集合c；

28、s502：定义一个空的集合c*，然后在生成的集合c中随机选择一条曲线cr；

29、s503：在集合c中找到一条距离曲线cr最大的曲线c，然后将曲线c放入集合c*中，并且将曲线c从集合c中去掉；

30、重复执行s501～s503，直到集合c*中的曲线个数等于输入的选择个数n后，终止循环，即获取集合c中最具有代表性的n条曲线。

31、进一步地，在s6中，评估生成器的性能采用如下方法：

32、s601：依次计算测试数据集中曲线到集合c中每一条预测容量衰减曲线的dtw距离；

33、s602：获取集合c中距离最小的预测容量衰减曲线c1，且该预测容量衰减曲线拥有最大相似性的数据；

34、s603：输出最小的预测容量衰减曲线c1及其对应的距离指标值。

35、本发明的有益效果为：

36、1、通过本发明提供的基于条件生成对抗网络的电池容量衰减曲线生成方法，解决了现有电池容量衰减曲线预测领域内电池容量衰减曲线数据集少，且该领域内现有数据增强方法难度大、结果泛化性弱等问题。

37、2、本发明提供的基于条件生成对抗网络的电池容量衰减曲线生成方法，其通过cgan网络模型对现有的电池退化数据集进行扩充，能够提高数据集的样本数和多样性，提高深度学习网络模型预测分析的精准度和鲁棒性，一定程度上推动了锂电池容量退化轨迹预测的研究和发展。