【技术实现步骤摘要】
本专利技术涉及锂电池充放电数据生成，尤其涉及一种基于分层卷积生成对抗网络的锂电池充放电数据生成方法。
技术介绍
1、锂电池的充放电数据是评估电池性能和寿命的重要指标，主要包括电池的容量、电压、电流等参数，这些参数对于评估电池的性能和使用寿命非常重要。
2、近年来，深度学习在很多领域的都取得了突破性进展，但大家似乎发现了这样的一个现实，即深度学习取得突破性进展的工作基本都是判别模型相关的。生成对抗网络包含一个生成模型和一个判别模型。其中，生成模型负责捕捉样本数据的分布，而判别模型一般情况下是一个二分类器，判别输入是真实数据还是生成的样本。
3、但是gans的训练过程常常是不稳定的。生成器和判别器在训练过程中像拔河一样互相较劲，判别器过于强大时，生成器无法得到有效反馈，反之亦然，导致训练效果不佳。此外，gans还存在“纳什均衡”不稳定的问题，即生成器和判别器在博弈过程中可能在其周围振荡，难以达到稳定的均衡状态。因此需要引入卷积神经网络使其提高模型训练效率和稳定性。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术采用分层卷积生成对抗网络，作用于锂电池充放电的数据生成，这使得模型能够更好地捕捉数据的复杂结构，从而更好的采集锂电池充放电真实数据。
3、(二)技术方案
4、为实现上述目的，本专利技术提供如下技术方案：一种基于分层卷积生成对抗网络的锂电池充放电数据生成方法，包括以下步骤：
5、(1
6、(2)采用卷积层提取输入数据集的特征，并通过池化层减少参数数量和计算量，最后经过全连接层进行分类；
7、(3)使用卷积神经网络(cnn)来构建生成对抗网络(gan)的生成器和判别器，通过对抗训练来进行数据的优化；
8、(4)生成器学习从随机噪声生成逼真的数据样本,判别器学习区分真实数据样本和生成器生成的样本；
9、(5)当gan完成离线训练后，将锂离子电池进行恒流-恒压充电放电操作并获取各采样点的电压、电流、温度等测量值，输入完成训练的gan中，便能获取锂电池充放电数据。
10、作为优选方案，所述步骤(1)中锂电池充放电过程数据基础参数由充电参数和放电参数组成；
11、充电参数包括有充电限制电压、充电温度范围、最大充电电流及推荐充电电流；放电参数包括有放电终止电压、放电截止电压、最大放电电流、推荐放电电流及放电温度范围。
12、作为优选方案，所述步骤(2)具体包括：
13、(21)由输入层负责输入数据集等图像信息；
14、(22)通过卷积操作提取图像的底层特征；
15、(23)对卷积层的输出进行非线性变换；
16、(24)通过下采样减少参数数量，防止过拟合；
17、(25)汇总卷积层和池化层的特征信息；
18、(26)根据全连接层的信息得到最终结果，并进行分类。
19、作为优选方案，所述步骤(3)具体包括：
20、(31)生成器
21、接收随机噪声作为输入，生成新的数据样本，目标是生成足以“欺骗”判别器的数据；
22、(32)判别器
23、判断输入数据是真实数据还是生成器生成的数据，输出一个概率值，表示数据为真实的可能性；
24、(33)对抗
25、生成器和判别器交替训练，生成器试图生成更真实的数据以欺骗判别器，而判别器则努力提高判断的准确性，这个过程持续进行，直到达到纳什均衡，即判别器无法区分真实数据和生成数据；
26、(34)学习
27、生成器和判别器交叉学习，其中一方学习时，另一方参数不变。
28、作为优选方案，所述步骤(3)在对抗训练过程中，生成器和判别器交替进行训练；首先，固定生成器的参数，训练判别器，使其能够准确区分真实样本和生成样本；然后，固定判别器的参数，训练生成器，使其生成的样本能够欺骗判别器，这一过程不断循环，直到生成器和判别器的性能达到平衡。
29、作为优选方案，所述对抗训练过程具体为：
30、首先，固定生成器，使用生成器基于隐随机向量z模拟出g(z)作为负样本，并从真实数据中采样得到正样本x；
31、然后将正负样本输入给判别器，进行二分类预测，最后利用其二分类交叉熵损失更新判别器参数；
32、之后固定判别器优化生成器，对于生成器，为了尽可能欺骗判别器，即尽量让判别器将生成的“假”样本判为正样本，一般考虑以最大化生成样本的判别概率为目标来优化。
33、作为优选方案，设z为随机噪声，x为真实数据，生成式网络和判别式网络可以分别用g和d表示，其中d可以看作一个二分类器，那么采用交叉熵表示，可以写作：
34、mingmaxdvd,g＝ex·pdata(x)logdx+ez·pzz[log(1-d(g(z)))]
35、其中第一项的logd(x)表示判别器对真实数据的判断，第二项log(1-d(g(z)))表示则对数据的合成与判断，通过这样一个极大极小(max-min)博弈，循环交替地分别优化g和d来训练所需要的生成式网络与判别式网络，直到到达nash均衡点。
36、作为优选方案，所述步骤(1)中锂电池充放电数据集是指通过实际测试和监测获得的锂电池在充放电过程中的详细数据，数据集通常包含电压、电流、温度及容量等多种参数。
37、(三)有益效果
38、与现有技术相比，本专利技术提供了一种基于分层卷积生成对抗网络的锂电池充放电数据生成方法，具备以下有益效果：
39、本专利技术采用分层卷积生成对抗网络的方式，采集目标锂电池充放电过程数据基础参数信息，并通过建立生成器模型和判别器模型来进行对抗练习，通过分层训练的方式，减少了模式崩溃的风险，使得训练更加稳定，也进一步提高了锂电池充放电数据的生成质量和真实性。
本文档来自技高网...【技术保护点】
1.一种基于分层卷积生成对抗网络的锂电池充放电数据生成方法，包括以下步骤：
2.根据权利要求1所述的一种基于分层卷积生成对抗网络的锂电池充放电数据生成方法，其特征在于：所述步骤(1)中锂电池充放电过程数据基础参数由充电参数和放电参数组成；
3.根据权利要求2所述的一种基于分层卷积生成对抗网络的锂电池充放电数据生成方法，其特征在于：所述步骤(2)具体包括：
4.根据权利要求3所述的一种基于分层卷积生成对抗网络的锂电池充放电数据生成方法，其特征在于：所述步骤(3)具体包括：
5.根据权利要求1所述的一种基于分层卷积生成对抗网络的锂电池充放电数据生成方法，其特征在于：所述步骤(3)在对抗训练过程中，生成器和判别器交替进行训练；首先，固定生成器的参数，训练判别器，使其能够准确区分真实样本和生成样本；然后，固定判别器的参数，训练生成器，使其生成的样本能够欺骗判别器，这一过程不断循环，直到生成器和判别器的性能达到平衡。
6.根据权利要求5所述的一种基于分层卷积生成对抗网络的锂电池充放电数据生成方法，其特征在于：所述对抗训练过程具体为
7.根据权利要求6所述的一种基于分层卷积生成对抗网络的锂电池充放电数据生成方法，其特征在于：设z为随机噪声，x为真实数据，生成式网络和判别式网络可以分别用G和D表示，其中D可以看作一个二分类器，那么采用交叉熵表示，可以写作：
8.根据权利要求1所述的一种基于分层卷积生成对抗网络的锂电池充放电数据生成方法，其特征在于：所述步骤(1)中锂电池充放电数据集是指通过实际测试和监测获得的锂电池在充放电过程中的详细数据，数据集通常包含电压、电流、温度及容量等多种参数。
...【技术特征摘要】
1.一种基于分层卷积生成对抗网络的锂电池充放电数据生成方法，包括以下步骤：
2.根据权利要求1所述的一种基于分层卷积生成对抗网络的锂电池充放电数据生成方法，其特征在于：所述步骤(1)中锂电池充放电过程数据基础参数由充电参数和放电参数组成；
3.根据权利要求2所述的一种基于分层卷积生成对抗网络的锂电池充放电数据生成方法，其特征在于：所述步骤(2)具体包括：
4.根据权利要求3所述的一种基于分层卷积生成对抗网络的锂电池充放电数据生成方法，其特征在于：所述步骤(3)具体包括：
5.根据权利要求1所述的一种基于分层卷积生成对抗网络的锂电池充放电数据生成方法，其特征在于：所述步骤(3)在对抗训练过程中，生成器和判别器交替进行训练；首先，固定生成器的参数，训练判别器，使其能够准确区分真实样本和生成...
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。