基于生成对抗网络的锂电池健康状态预测方法及系统技术方案

本发明专利技术公开了一种基于生成对抗网络的锂电池健康状态预测方法及系统，首先将基础神经网络模型的预测结果输入到变分自编码器，使得变分自编码器的生成结果与基础神经网络模型的预测结果分布具有一定的相似度。通过计算基础神经网络预测结果与变分自编码器生成结果相互之间的支持度，集成最优预测结果作为锂电池健康状态综合预测模型；根据锂电池实际充电过程中的各项参数，运用锂电池健康状态综合预测模型，计算锂电池的健康状态。由于本发明专利技术使用少量基础神经网络模型及变分自编码器即可生成更多的基础神经网络模型预测结果，保证了集成学习过程中基学习器的多样性，加快模型训练过程，并且能够取得接近传统集成学习方法的预测精度。预测精度。预测精度。

【技术实现步骤摘要】
基于生成对抗网络的锂电池健康状态预测方法及系统


[0001]本专利技术属于锂离子电池健康状态评估领域，特别涉及一种基于生成对抗网络的锂电池健康状态预测方法及系统。

技术介绍

[0002]锂离子电池因其重量较轻、高能量密度、无记忆效应、自放电率低等优越性能，成为众多用电设备的核心供能部件。然而锂离子电池的充放电过程会形成固体电解质中间相，严重影响其电内部电化学反应，该不可逆过程会导致锂电池容量持续衰减。当锂电池不断进行充放电循环时，其化学成分会趋于老化，整个系统的安全性会受到电池性能退化的影响，如不能准确地对锂电池的健康状态(State of Health，SOH)进行评估，及时采取维护或更换等措施，可能会引发灾难性后果，造成严重经济损失甚至人员伤亡。故当锂电池退化到一定程度时应当退役，以确保锂电池供电系统的安全性和可靠性。评价锂电池性能退化的指标包括电池容量、输出功率、内阻等，预测这些指标的变化趋势能够估计锂电池的健康状态，及时对电池进行维护，这对系统运行的可靠性提供了有力支撑，对工业系统安全具有重要意义。
[0003]近些年，随着计算机算力的迅速提升，神经网络(Neural Network)技术得到迅猛的发展，在图像处理、自然语言处理等领域取得了非常瞩目的成就。因此，将神经网络技术应用到锂离子电池健康状态预测方面具有极大的现实意义和应用前景。但锂电池的退化过程具有高度不确定性，单一神经网络由于其结构特性限制，往往并不能捕捉到所有数据特征，难以做大较高的精度。因此，有必要采用多种异构神经网络进行预测，并通过集成学习技术对多种网络模型的预测结果进行综合，以得到较优的预测结果。
[0004]为了使锂离子电池在用电设备上能够安全、高效地运行，亟需一种多网络融合的锂离子电池健康状态预测方法来解决单一网络预测结果精度较低的问题。

技术实现思路

[0005]针对现有技术中存在的问题，本专利技术提供一种基于生成对抗网络的锂电池健康状态预测方法及系统，解决了现有的单一网络预测结果精度较低的问题。
[0006]本专利技术是通过以下技术方案来实现：
[0007]一种基于生成对抗网络的锂电池健康状态预测方法，包括以下步骤：
[0008]步骤1、构建并训练变分自编码器模型，将预训练的多个基础神经网络模型的预测结果分别作为变分自编码器模型输入的真实样本，训练后的变分自编码器模型输出的预测结果与对应的真实样本分布具有一定的相似度；
[0009]步骤2、确定多个基础神经网络模型的预测结果与变分自编码器生成的预测结果中任意两个预测结果的支持度，根据支持度计算确定各基础神经网络模型和变分自编码器的初始权重，根据初始权重确定各个基础神经网络模型和变分自编码器模型的加权预测结果，根据各个加权预测结果得到多神经网络模型的集成预测结果；
[0010]步骤3、根据集成预测结果以及各个基础神经网络模型的支持度，确定各个基础神经网络模型的权重调整系数，根据权重调整系数对各个基础神经网络模型的初始权重进行调整，得到各个基础神经网络模型的调整后的权重；
[0011]步骤4、根据各个基础神经网络模型的调整后的权重，重复执行步骤2和步骤3，直至达到预设迭代次数，得到锂电池健康状态综合预测网络模型，根据锂电池健康状态综合预测网络模型预测锂电池的健康状态。
[0012]优选的，所述多个基础神经网络模型包括卷积神经网络模型、残差网络模型和门控递归网络模型。
[0013]优选的，所述变分自编码器模型包括编码器和解码器两部分，编码器包括均值神经网络f1及方差神经网络f2，解码器为多层感知机；
[0014]所述编码器用于确定每个真实样本的正态分布；
[0015]所述解码器用于对正态分布的采用样本重构，输出变分自编码器模型的预测结果，并使预测结果与真实样本分布具有一定的相似度。
[0016]优选的，所述变分自编码器模型的训练方法如下：
[0017]S1、将基础神经网络模型的预测结果作为真实样本输入到编码器，均值神经网络及方差神经网络计算真实样本的均值和方差；
[0018]S1、根据真实样本的均值和方差，确定每个真实样本的正态分布；
[0019]S2、从正态分布中采样一个采样样本，解码器对采样样本重构；
[0020]S3、最小化采样样本与重构后的采样样本的误差；
[0021]S4、根据误差调整编码器和解码器的网络参数，迭代执行步骤S1至步骤S4直至该损失低于一定阈值，完成变分自编码器的训练。
[0022]优选的，所述均值神经网络f1及方差神经网络f2的表达式如下:
[0023]μ
k
＝f1(X
k
)
[0024][0025]其中，X
k
表示第k个真实样本；μ
k
表示真实样本正态分布的均值；表示真实样本正态分布的方差。
[0026]优选的，所述误差的表达式如下：
[0027][0028]其中，表示融合后的损失，d表示变分自编码器中隐变量Z的维度，μ
(i)
表示正态分布均值向量的第i个分量，表示正态分布方差向量的第i个分量。
[0029]优选的，步骤2中所述支持度的表达式如下：
[0030][0031]其中，表示两个不同基础神经网络模型的预测结果。
[0032]优选的，步骤2中所述基础神经网络模型的初始权重表达式如下：
[0033][0034]优选的，步骤3中所述权重调整系数的表达式如下：
[0035][0036]其中，表示两个不同基础神经网络模型的预测结果，E(A)为集成预测结果。
[0037]一种基于生成对抗网络的锂电池健康状态预测系统，该系统运行时，执行所述的基于生成对抗网络的锂电池健康状态预测方法的步骤。
[0038]与现有技术相比，本专利技术具有以下有益的技术效果：
[0039]本专利技术提供的一种基于生成对抗网络的锂电池健康状态预测方法，包括预训练的基础神经网络模型、变分自编码器以及基于支持度的集成学习方法。首先将基础神经网络模型的预测结果输入到变分自编码器，使得变分自编码器的生成结果与基础神经网络模型的预测结果分布具有一定的相似度。通过计算基础神经网络预测结果与变分自编码器生成结果相互之间的支持度，集成最优预测结果作为锂电池健康状态综合预测模型；根据锂电池实际充电过程中的各项参数，运用锂电池健康状态综合预测模型，计算锂电池的健康状态。由于本专利技术使用少量基础神经网络模型及变分自编码器即可生成更多的基础神经网络模型预测结果，保证了集成学习过程中基学习器的多样性，相较于传统的采用集成学习的预测方法能够减少模型训练的成本，加快模型训练过程，并且能够取得接近传统集成学习方法的预测精度。
附图说明
[0040]图1为本专利技术基于生成对抗网络的锂电池健康状态预测方法的流程图。
具体实施方式
[0041]下面结合附图对本专利技术做进一步的详细说明，所述是对本专利技术的解释而不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的锂电池健康状态预测方法，其特征在于，包括以下步骤：步骤1、构建并训练变分自编码器模型，将预训练的多个基础神经网络模型的预测结果分别作为变分自编码器模型输入的真实样本，训练后的变分自编码器模型输出的预测结果与对应的真实样本分布具有一定的相似度；步骤2、确定多个基础神经网络模型的预测结果与变分自编码器生成的预测结果中任意两个预测结果的支持度，根据支持度计算确定各基础神经网络模型和变分自编码器的初始权重，根据初始权重确定各个基础神经网络模型和变分自编码器模型的加权预测结果，根据各个加权预测结果得到多神经网络模型的集成预测结果；步骤3、根据集成预测结果以及各个基础神经网络模型的支持度，确定各个基础神经网络模型的权重调整系数，根据权重调整系数对各个基础神经网络模型的初始权重进行调整，得到各个基础神经网络模型的调整后的权重；步骤4、根据各个基础神经网络模型的调整后的权重，重复执行步骤2和步骤3，直至达到预设迭代次数，得到锂电池健康状态综合预测网络模型，根据锂电池健康状态综合预测网络模型预测锂电池的健康状态。2.根据权利要求1所述的一种基于生成对抗网络的锂电池健康状态预测方法，其特征在于，所述多个基础神经网络模型包括卷积神经网络模型、残差网络模型和门控递归网络模型。3.根据权利要求1所述的一种基于生成对抗网络的锂电池健康状态预测方法，其特征在于，所述变分自编码器模型包括编码器和解码器两部分，编码器包括均值神经网络f1及方差神经网络f2，解码器为多层感知机；所述编码器用于确定每个真实样本的正态分布；所述解码器用于对正态分布的采用样本重构，输出变分自编码器模型的预测结果，并使预测结果与真实样本分布具有一定的相似度。4.根据权利要求3所述的一种基于生成对抗网络的锂电池健康状态预测方法，其特征在于，所述变分自编码器模型的训练方法如下：S1、将基础神经网络模型的预测结果作为真实样本输入到编码器，均值神经网络...

【专利技术属性】
技术研发人员：许家璇，王云，弥济时，李昊儒，周芸，李宝暄，韩海洋，朱子杰，康子骏，韩昭妍，张恒山，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：