一种基于领域对抗网络的电池容量估计方法及系统技术方案

本发明专利技术提供了电池检测技术领域的一种基于领域对抗网络的电池容量估计方法及系统，方法包括如下步骤：步骤S10、获取电池的源域数据和目标域数据；步骤S20、对所述源域数据和目标域数据进行混合拼接并shuff l e得到混合数据；步骤S30、对所述混合数据进行标注和分割，得到电池数据集；步骤S40、构建一特征提取器，利用所述特征提取器对电池数据集提取表征特征；步骤S50、构建一包括回归预测器以及域分类器的领域对抗网络；利用所述回归预测器以及表征特征进行电池容量估计，得到电池容量的预测值；利用所述域分类器对各表征特征进行域分类。本发明专利技术的优点在于：极大的提升了电池容量估计的精度以及泛化能力。估计的精度以及泛化能力。估计的精度以及泛化能力。

【技术实现步骤摘要】
一种基于领域对抗网络的电池容量估计方法及系统


[0001]本专利技术涉及电池检测
，特别指一种基于领域对抗网络的电池容量估计方法及系统。

技术介绍

[0002]电池已广泛应用于电子设备、新能源汽车、储能等领域，由于电池内部老化反应的机理复杂，受外界环境和工况条件影响较大，因此对电池的健康状态(State of Hea lth,SOH)的准确估计是电池管理中的难点问题。
[0003]电池的健康状态一般采用容量衰减来表征，因此需要对电池容量进行估计，传统的电池容量估计方法包括基于模型的预测方法和基于大数据的预测方法，然而，传统的方法存在如下缺点：
[0004]1、通过人工对采集的电池数据(电压、电流、温度等)进行特征提取，如恒流充电时长、最大值、最小值、均值等，无法保证模型最终的准确率，且对于不同来源的电池数据的预测效果会参差不齐，泛化能力差；2、采用有监督学习，需要有标签的电池数据进行训练，对于无标签的电池数据，由于训练数据和预测数据存在分布的差异，导致精度较差；3、仅基于无标签的电池数据进行电池容量估计，不适用于预训练+微调的迁移学习方法，基于最大均值差异MMD匹配特征边缘分布的精度不足。
[0005]因此，如何提供一种基于领域对抗网络的电池容量估计方法及系统，实现提升电池容量估计的精度以及泛化能力，成为一个亟待解决的技术问题。

技术实现思路

[0006]本专利技术要解决的技术问题，在于提供一种基于领域对抗网络的电池容量估计方法及系统，实现提升电池容量估计的精度以及泛化能力。
[0007]第一方面，本专利技术提供了一种基于领域对抗网络的电池容量估计方法，包括如下步骤：
[0008]步骤S10、获取电池的源域数据和目标域数据；
[0009]步骤S20、对所述源域数据和目标域数据进行混合拼接并shuffle得到混合数据；
[0010]步骤S30、对所述混合数据进行标注和分割，得到电池数据集；
[0011]步骤S40、构建一特征提取器，利用所述特征提取器对电池数据集提取表征特征；
[0012]步骤S50、构建一包括回归预测器以及域分类器的领域对抗网络；利用所述回归预测器以及表征特征进行电池容量估计，得到电池容量的预测值；利用所述域分类器对各表征特征进行域分类。
[0013]进一步地，所述步骤S10中，所述源域数据至少包括电压、电流、温度以及标签，所述标签为电池容量；所述目标域数据至少包括电压、电流以及温度。
[0014]进一步地，所述步骤S20具体为：
[0015]对各所述源域数据和目标域数据按行进行交替的混合拼接并shuffle得到混合数
据；
[0016]所述步骤S30具体为：
[0017]对所述混合数据进行数据域的标注，所述数据域为源域数据或者目标域数据；
[0018]将标注后的所述混合数据按时间序列进行分割为等长的电池数据，对长度不够的所述电池数据用0进行填充，基于各所述电池数据构建电池数据集。
[0019]进一步地，所述步骤S40中，所述特征提取器基于Conv2D、BatchNorm、Relu以及MaxPool构建，用于对所述电池数据集的电池数据进行5次的非线性变换，并将非线性变换的结果展平以提取表征特征。
[0020]进一步地，所述步骤S50中，所述回归预测器基于Linear以及Relu构建，用于对所述表征特征进行2次的非线性变换进而转换为一维数据，将所述一维数据作为电池容量的预测值；
[0021]所述域分类器基于Linear、Relu以及BatchNorm构建，用于对所述表征特征进行3次的非线性变换进而转换为二维数据，基于所述二维数据对各表征特征进行域分类，以判断所述表征特征的数据来源。
[0022]第二方面，本专利技术提供了一种基于领域对抗网络的电池容量估计系统，包括如下模块：
[0023]数据获取模块，用于获取电池的源域数据和目标域数据；
[0024]数据混合拼接模块，用于对所述源域数据和目标域数据进行混合拼接并shuffle得到混合数据；
[0025]电池数据集构建模块，用于对所述混合数据进行标注和分割，得到电池数据集；
[0026]表征特征提取模块，用于构建一特征提取器，利用所述特征提取器对电池数据集提取表征特征；
[0027]电池容量估计模块，用于构建一包括回归预测器以及域分类器的领域对抗网络；利用所述回归预测器以及表征特征进行电池容量估计，得到电池容量的预测值；利用所述域分类器对各表征特征进行域分类。
[0028]进一步地，所述数据获取模块中，所述源域数据至少包括电压、电流、温度以及标签，所述标签为电池容量；所述目标域数据至少包括电压、电流以及温度。
[0029]进一步地，所述数据混合拼接模块具体用于：
[0030]对各所述源域数据和目标域数据按行进行交替的混合拼接并shuffle得到混合数据；
[0031]所述电池数据集构建模块具体用于：
[0032]对所述混合数据进行数据域的标注，所述数据域为源域数据或者目标域数据；
[0033]将标注后的所述混合数据按时间序列进行分割为等长的电池数据，对长度不够的所述电池数据用0进行填充，基于各所述电池数据构建电池数据集。
[0034]进一步地，所述表征特征提取模块中，所述特征提取器基于Conv2D、BatchNorm、Relu以及MaxPool构建，用于对所述电池数据集的电池数据进行5次的非线性变换，并将非线性变换的结果展平以提取表征特征。
[0035]进一步地，所述电池容量估计模块中，所述回归预测器基于Linear以及Relu构建，用于对所述表征特征进行2次的非线性变换进而转换为一维数据，将所述一维数据作为电
池容量的预测值；
[0036]所述域分类器基于Linear、Relu以及BatchNorm构建，用于对所述表征特征进行3次的非线性变换进而转换为二维数据，基于所述二维数据对各表征特征进行域分类，以判断所述表征特征的数据来源。
[0037]本专利技术的优点在于：
[0038]通过Conv2D、BatchNorm、Relu以及MaxPool构建特征提取器对电池数据集提取表征特征，即采用深度神经网络进行表征特征的自动提取以代替传统的人工提取，有更好的精度和泛化能力；通过构建回归预测器以及域分类器分别用于电池容量估计和表征特征分类，形成领域对抗网络，使得最终特征提取器获得与域(数据来源)无关的信息，从而提升对目标域数据的容量预测性能，且不需要目标域数据有标签，适用于对仅存在无标签的电池数据的容量估计，的提升电池容量估计的精度以及泛化能力。
附图说明
[0039]下面参照附图结合实施例对本专利技术作进一步的说明。
[0040]图1是本专利技术一种基于领域对抗网络的电池容量估计方法的流程图。
[0041]图2是本专利技术一种基于领域对抗网络的电池容量估计系统的结构示意图。
...

【技术保护点】

【技术特征摘要】
1.一种基于领域对抗网络的电池容量估计方法，其特征在于：包括如下步骤：步骤S10、获取电池的源域数据和目标域数据；步骤S20、对所述源域数据和目标域数据进行混合拼接并shuffle得到混合数据；步骤S30、对所述混合数据进行标注和分割，得到电池数据集；步骤S40、构建一特征提取器，利用所述特征提取器对电池数据集提取表征特征；步骤S50、构建一包括回归预测器以及域分类器的领域对抗网络；利用所述回归预测器以及表征特征进行电池容量估计，得到电池容量的预测值；利用所述域分类器对各表征特征进行域分类。2.如权利要求1所述的一种基于领域对抗网络的电池容量估计方法，其特征在于：所述步骤S10中，所述源域数据至少包括电压、电流、温度以及标签，所述标签为电池容量；所述目标域数据至少包括电压、电流以及温度。3.如权利要求1所述的一种基于领域对抗网络的电池容量估计方法，其特征在于：所述步骤S20具体为：对各所述源域数据和目标域数据按行进行交替的混合拼接并shuffle得到混合数据；所述步骤S30具体为：对所述混合数据进行数据域的标注，所述数据域为源域数据或者目标域数据；将标注后的所述混合数据按时间序列进行分割为等长的电池数据，对长度不够的所述电池数据用0进行填充，基于各所述电池数据构建电池数据集。4.如权利要求1所述的一种基于领域对抗网络的电池容量估计方法，其特征在于：所述步骤S40中，所述特征提取器基于Conv2D、BatchNorm、Relu以及MaxPool构建，用于对所述电池数据集的电池数据进行5次的非线性变换，并将非线性变换的结果展平以提取表征特征。5.如权利要求1所述的一种基于领域对抗网络的电池容量估计方法，其特征在于：所述步骤S50中，所述回归预测器基于Linear以及Relu构建，用于对所述表征特征进行2次的非线性变换进而转换为一维数据，将所述一维数据作为电池容量的预测值；所述域分类器基于Linear、Relu以及BatchNorm构建，用于对所述表征特征进行3次的非线性变换进而转换为二维数据，基于所述二维数据对各表征特征进行域分类，以判断所述表征特征的数据来源。6.一种基于领域对抗网络的电池容量估计系统，其特征在于...

【专利技术属性】
技术研发人员：何学智，刘作斌，汤慈全，
申请(专利权)人：福建星云电子股份有限公司，
类型：发明
国别省市：