[发明专利]基于竞争型生成式对抗神经网络的锂电池SOC估计方法

说明书

本发明公开了一种基于竞争型生成式对抗神经网络的锂电池SOC估计方法，该网络由多个生成器和一个判别器构成。采集锂电池的各类特征数据，并根据不同特征组合，从原始数据集中生成多个新数据集并将其分别输入各生成器中进行训练。利用生成器与判别器之间的相互博弈，交替迭代各生成器与判别器内部参数，同时每间隔一定训练批次淘汰SOC估计精度最低的生成器。利用保留到最后的生成器进行锂电池SOC估计。本发明利用特征与特征之间的竞争实现了特征选择机制，利用生成器与生成器之间的竞争实现了生成器相互促进机制和生成器淘汰机制，利用生成器与判别器之间的竞争实现了各生成器权重更新机制，从而提升了锂电池SOC估计精度。

技术领域

本发明涉及锂电池技术领域，尤其涉及一种基于竞争型生成式对抗神经网络的锂电池SOC估计方法。

背景技术

锂电池具有能量密度高及使用寿命长等优点，因此被广泛应用于各个领域当中，而电池荷电状态(SOC)的高精度估计则是科学使用锂电池的重要依据。

目前锂电池SOC估计的方法主要有安时积分法、模型法和数据驱动法。安时积分法操作方便，原理简单，但是对电流传感器的测量精度要求较高；模型法可以模拟电池内部化学变化，具有较高的SOC估计精度，但是复杂的建模过程计算量较大，不利于锂电池SOC的在线估计；数据驱动法无需考虑锂离子电池内部电化学反应，直接通过电池运行过程中测量的数据和机器学习方法即可实现对锂电池SOC的估计。

当前数据驱动法对所选特征极为敏感，而合适的特征难以选取。目前主流方法是通过皮尔逊法、灰色关联分析法等算法来选取特征，但是特征相关度会随着锂电池类型的改变而出现较大波动。除此之外，现有基于单一模型的SOC估计方法极易出现估计结果不稳定的问题，而多模型的联合使用可以一定程度弥补因模型数量较少所导致的鲁棒性低的问题。然而现有多模型的相互配合往往是通过前一个模型的输出作为后一个模型的输入这种单一形式来实现的，并未深入到各模型训练阶段的相互配合，因此依旧存在SOC估计精度不高和估计结果不稳定的问题。

发明内容

鉴于上述现有技术的不足之处，本发明的目的在于提供一种基于竞争型生成式对抗神经网络的锂电池SOC估计方法。本发明一开始选定尽可能多的模型特征，并在锂电池充放电的过程中采集上述特征数据，从而形成原始数据集。本发明对众多特征进行不重复的组合，并根据不同特征组合从原始数据集中生成多个新数据集。多个新数据集连同原始数据集一同输入竞争型生成式对抗神经网络中，以实现对各生成器及判别器的训练。本发明将原本一个判别器对一个生成器的相互博弈变为了一个判别器对多个生成器的相互博弈，增加了每个训练批次中用于判别器训练的数据量，加快了判别器参数更新的速度及提高了参数更新的稳定性。将性能提升后的判别器分别用于各生成器的单独对抗，提升了各生成器的训练质量，从而实现以判别器为中介的生成器相互促进机制。除此之外，本发明每间隔一定训练批次便会淘汰当前SOC估计精度最低的生成器及该生成器所对应的新数据集，形成生成器淘汰机制及特征选择机制。本发明将判别器与生成器之间的传统竞争扩展为生成器与判别器之间、生成器与生成器之间、特征与特征之间的新型竞争，克服了现有数据驱动估计方法中模型特征难以选取、训练结果不稳定和SOC估计精度不高的问题。

有鉴于此，本发明提供了一种基于竞争型生成式对抗神经网络的锂电池SOC估计方法，其特征在于，包括：

S1：选定与锂电池SOC值联系密切相关且可以直接测量的K种物理特征，并在锂电池充放电的过程中采集上述特征数据，得到由特征数据构成的SOC锂电池数据集；

S2：将锂电池SOC数据集进行归一化处理，然后将处理后的数据集按60％和40％的比例随机划分为初始训练集和测试集；

S3：采用支持向量回归模型，搭建竞争型生成式对抗神经网络中的2^K-1个生成器，分别记为生成器1、生成器2、…、生成器2^K-1，并初始化各生成器内部参数；采用多层感知机神经网络，搭建竞争型生成式对抗神经网络中判别器，并初始化判别器内部参数；