[发明专利]基于改进生成对抗网络的锂电池荷电状态预测方法

说明书

本发明提供一种基于改进生成对抗网络的锂电池荷电状态预测方法，包括以下步骤：采集锂电池的模态参数和锂电池样本中真实的荷电状态SOC；使用回归模型R来估计生成模型G输出G(z,c)与条件变量c之间的的互信息的下界值；使得生成模型G和判别模型D互相对抗，达到纳什均衡；利用生成模型G产生样本，将其添加到回归模型R使用到的训练集中训练；生成模型G、判别模型D和回归模型R交替训练使得每个模型都趋趋向于收敛。本发明利用生成模型扩展符合原始分布的训练集，同时在改进生成对抗网络中使用随机修正线性单元RReLU及指数线性单元Exponential Linear Units(ELU)两种激活函数来获取更强的模型表现力，更好的学习锂电池的非线性特性。

技术领域

本发明涉及锂电池电池技术领域，特别是涉及到一种锂电池荷电状态的预测方法。

背景技术

作为电动汽车的重要组成部分，锂电池对整个车辆的加速爬坡、续航等起着关键性的作用。电池荷电状态(state of charge，SOC)又是锂电池又是反映锂电池能量的重要参数，准确地估算SOC能延长电池的使用寿命，避免电池的过充/放电，是保障电动汽车安全行驶的前提。SOC属于电池内部特性参数无法直接测量，且SOC同电池电压、电流、温度等参数间表现出强烈的非线性关系。因此，如何提高SOC估算的精度和准确性是当前电动汽车领域亟待解决的问题。

目前，有许多种用于估计电池SOC的方法。安时积分方法是一种常用的估算方法。当电流恒定时，可以通过安时积分方法精确估计SOC；当电流波动很大时，累积效应用于估计电池SOC的准确度，就会出现错误，而且存在初值难以获取的情况。开路电压方法使用电池的开路电压来估计电池的SOC。但是，该方法需要电池长时间静置才能得到开路电压，这种方法无法在线估算动态电池的SOC。卡尔曼滤波器(KF)方法可以对线性系统进行建模，并且通常用于估计模型的参数，但锂离子电池是充电/放电的。电池内部具有极化和扩散效果。电池的动态模型是时变非线性系统。EKF方法可以估计动力电池的SOC。为了线性化非线性系统，只能保留一阶导数项。常数项忽略非线性函数的高阶导数项，因此估计电池的SOC具有大的误差。bp神经网络方法具有较好的自学习能力，但受训练样本少及模型深度不够，非线性表现力不够，估计电池SOC的误差较大。

因此，需要对现有技术进行改进。

发明内容

本发明要解决的技术问题是提供一种高效的基于改进生成对抗网络的锂电池荷电状态预测方法。

为解决上述技术问题，本发明提供一种基于改进生成对抗网络的锂电池荷电状态预测方法，包括以下步骤：

S1)、采集锂电池的模态参数和锂电池样本中真实的荷电状态SOC；

S2)、将生成对抗网络进行结构改进，在原有的生成模型G、判别模型D的基础上，增加了新的结构回归模型R；将步骤S1采集到的模态参数输入改进后的生成对抗网络进行特征学习和模式识别；

S3)、判别模型D的深度残差网络中，通过对抗学习可以学习到一系列潜在的特征层，判别模型D学习到的特征层与回归模型R共享，用来模拟电池内部的非线性关系，提高回归模型R的性能表现；

S4)、使用回归模型R来估计生成模型G输出G(z,c)与条件变量c之间的的互信息的下界值，用来约束改进生成对抗网络中的生成模型G；

S5)、利用生成对抗网络的对抗属性，使得生成模型G和判别模型D互相对抗，达到纳什均衡，提升了判别样本和生成样本效果；

S6)、利用生成模型G产生样本，将其添加到回归模型R使用到的训练集中训练；

S7)、生成模型G、判别模型D和回归模型R交替训练使得每个模型都趋趋向于收敛，实现对锂电池荷电状态值的精准估计。

作为对本发明基于改进生成对抗网络的锂电池荷电状态预测方法的改进：