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。
技术实现要素:
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
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
其中,公式(3)中的
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
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
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
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
其中,公式(3)中的
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
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
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
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。