【技术实现步骤摘要】
本专利技术属于退役电池数据生成，具体涉及一种基于生成对抗网络的退役电池时序数据缺失值填充方法。
技术介绍
1、随着新能源电池的普及和推广，退役电池的处理问题已经成为一个备受关注的话题。梯次利用作为一种解决方案，被认为可以最大限度地延长电池的使用寿命，减少对环境的影响。然而，在一个电池的生命周期中，由于使用环境的多样性和数据采集的复杂性，时序数据的完整性难以保证，存在缺失的可能性。这就给梯次利用及其后续的应用和分析带来了一定的挑战。
2、时序数据缺失可能导致对电池状态和性能的准确评估变得困难。对于旧的退役电池而言，其历史数据往往无法完整地追踪和记录。这意味着在梯次利用过程中，对电池性能和健康状态的判断会面临困境。常见的方法是使用插值或外推等技术填补缺失的数据点。通过建立合理的数学模型，利用已有的数据点来推断缺失的数据，可以在一定程度上还原电池的时序信息，以进行后续的分析和应用，然而上述缺失值处理方法均没有考虑到时序数据中的时间先后信息，故难以取得准确的填充效果。
技术实现思路
1、本专利技术的目的就在于提供一种基于生成对抗网络的退役电池时序数据缺失值填充方法，以解决
技术介绍
中提出的问题。
2、本专利技术通过以下技术方案来实现上述目的：
3、一种基于生成对抗网络的退役电池时序数据缺失值填充方法，方法包括：
4、s1：获取电池原始数据并进行预处理，以生成训练数据集；
5、s2：构建包含生成器和判别器的对抗网络模型，所述生成器基于
6、s3：将待填充电池原始数据导入训练好的对抗网络模型中，输出对应待填充电池原始数据分布特性的新时序数据。
7、进一步改进在于，所述步骤s1中，电池原始数据为电压数据、电流数据、电池容量数据中的一种。
8、进一步改进在于，步骤s1中，预处理具体为，对所述原始数据进行归一化处理；步骤s3中还包括对所述新时序数据进行反归一化处理。
9、进一步改进在于，步骤s2具体为：
10、s2.1：生成器基于训练数据集样本分布特性生成相似样本，
11、g(z)＝φg(wg·x+bg)
12、s2.2：将所述相似样本输入所述判别器中以输出判断结果，
13、d(x)＝φd(wd·x+bd)＝1
14、d(g(z))＝φd(wd·g(z)+bd)＝0
15、其中，当输入为真实数据时判断结果为1，当输入为来自生成器的伪相似样本时判断结果为0；
16、式中：φg、φd表示激活函数；x、z分别表示来自真实数据和相似样本；wg、wd、bg、bd分别表示生成器网络与判别器网络中的权值和偏置；
17、s2.3：将所述判断结果反向传播以优化所述生成器，通过对所述生成器和所述判别器迭代优化以进行对抗网络模型训练，采用如下优化公式：ming
18、式中：pdata(x)表示真实数据分布；pz(z)表示相似样本的先验分布；e(·)表示计算期望值，当且仅当先验分布pz(z)与真实数据分布pdata(x)达成一致，即pdata(x)＝pz(z)时，表示训练达到均衡。
19、进一步改进在于，所述迭代优化过程具体为生成器的优化和判别器的优化，分别采用如下公式：
20、
21、
22、进一步改进在于，步骤s2还包括：
23、在训练过程中，对所述生成器输出相似样本的分布特性和所述训练数据集的分布特征进行检验，并在设定分布检验方式下生成量化值，将所述量化值作为所述对抗网络模型训练进度量化指标，当量化值满足设定条件时，则完成对抗网络模型的训练。
24、进一步改进在于，设定原始数据集为经由所述对抗网络模型得到的生成数据为采用k-s检验对所述生成数据与真实数据分布pdata的检验统计值为：
25、z＝ne·k
26、
27、
28、其中，相似概率p通过可靠性分布函数qks表示：
29、
30、
31、所述设定条件为：比较p值与给定的置信度α的大小，若p＞α，则认为生成数据与真实数据分布之间无明显差异；α≤1，相似概率p越接近1说明生成数据与真实数据一致性越强。
32、进一步改进在于，完成训练的所述对抗网络模型目标函数为：
33、
34、此时，生成器与判别器的优化目标修改为：
35、
36、
37、进一步改进在于，所述方法还包括对所述新时序数据进行误差分析，所述误差分析具体为：将平均绝对百分比误差mape和均方误差mse作为评估指标，
38、
39、
40、式中，yi表示新时序数据，yi表示观察值，n为样本数量。
41、本专利技术的有益效果在于：
42、(1)本专利技术利用时序数据的时间间隔特征，结合生成对抗网络技术，提出了一种基于生成对抗网络的时序数据缺失值填充方法。经过对抗式的训练，该方法能够生成符合原始数据集分布的新时序数据。针对每一条缺失时序数据，通过梯度下降算法寻找一个低维特征向量，使得以该低维特征向量为基础的生成样本与原始样本最相似，从而利用生成样本填充时序数据当中的缺失值。
43、(2)本专利技术为了加快填充时序数据中的缺失值，进一步提出了端到端的时序数据缺失值填充方法。该方法充分利用了降噪自编码器的降维能力，自动为每一条缺失时序数据寻找对应的低维特征向量。结合生成对抗网络技术，能够端到端的自动填充时序数据中的缺失值，具有更高的时间效率。
44、(3)本专利技术通过大量的真实电池数据进行训练，提供足够的样本和特征来支持生成模型的学习和调整。deepkgan网络结构优化算法也有助于提高生成模型的性能。该方法可为电池回收和再利用过程提供了可靠的数据基础。生成的高质量数据可以用于电池状态评估、健康预测和性能优化等应用。同时，这也为电池再利用的可持续发展提供了重要支持，减少了对原材料的需求和环境的影响。
本文档来自技高网...【技术保护点】
1.一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于，方法包括：
2.根据权利要求1所述的一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于：所述步骤S1中，电池原始数据为电压数据、电流数据、电池容量数据中的一种。
3.根据权利要求1所述的一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于：步骤S1中，预处理具体为，对所述原始数据进行归一化处理；步骤S3中还包括对所述新时序数据进行反归一化处理。
4.根据权利要求1所述的一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于：步骤S2具体为：
5.根据权利要求4所述的一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于：所述迭代优化过程具体为生成器的优化和判别器的优化，分别采用如下公式：
6.根据权利要求5所述的一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于：步骤S2还包括：
7.根据权利要求6所述的一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于：设定原始数据
8.根据权利要求7所述的一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于：完成训练的所述对抗网络模型目标函数为：
9.根据权利要求1所述的一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于：所述方法还包括对所述新时序数据进行误差分析，所述误差分析具体为：将平均绝对百分比误差MAPE和均方误差MSE作为评估指标，
...【技术特征摘要】
1.一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于，方法包括：
2.根据权利要求1所述的一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于：所述步骤s1中，电池原始数据为电压数据、电流数据、电池容量数据中的一种。
3.根据权利要求1所述的一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于：步骤s1中，预处理具体为，对所述原始数据进行归一化处理；步骤s3中还包括对所述新时序数据进行反归一化处理。
4.根据权利要求1所述的一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于：步骤s2具体为：
5.根据权利要求4所述的一种基于生成对抗网络的退役电池时序数据缺失值填充方法，其特征在于：所述迭代优化过程具体为生成器的优化和判别器的优化，分别采用如...
【专利技术属性】
技术研发人员：罗刚，马壮，曹洋，
申请(专利权)人：安徽国麒科技有限公司，
类型：发明
国别省市：
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。