The invention relates to a power battery matching method based on generation of antagonism network. The existing batteries matching methods need to extract the characteristic vectors of the battery artificially. In the process of battery matching, there is a large demand for labor, and it is easy to be influenced by subjective factors, resulting in the phenomenon of battery mismatching. The method firstly obtains the charging and discharging data of all the batteries to be distributed, preprocesses the data, and then constructs a generating countermeasure network, namely a generator and a discriminator. Then a neural network model is constructed by using the trained generator, and the neural network is used as feature extractor to automatically extract the characteristics of charge and discharge data. Finally, the feature vectors of all batteries are clustered to complete battery allocation. The method of the invention can train a neural network which can extract features on the basis of the generator that has learned the charge and discharge data distribution, and can learn the consistency characteristics of the power battery well, improve the consistency between the batteries, thereby improving the quality of the batteries in groups.
【技术实现步骤摘要】
一种基于生成对抗网络的动力电池配组方法
本专利技术属于动力电池生产
,具体涉及到一种基于生成对抗网络的动力电池配组方法。
技术介绍
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。
技术实现思路
本专利技术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。本专利技术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 ...
【技术保护点】
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
【技术特征摘要】
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...
【专利技术属性】
技术研发人员:黄继业,陈德平,杨宇翔,高明煜,谢尚港,陆燕怡,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。