一种基于生成对抗网络的动力电池配组方法与流程

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；

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；

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。

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、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。

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。

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；

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。