CN111007399A - 基于改进生成对抗网络的锂电池荷电状态预测方法 - Google Patents

Abstract

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。

Description

基于改进生成对抗网络的锂电池荷电状态预测方法

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：

步骤S1)包括：在锂电池上模拟不同的工况充放电环境，并利用BMS设备采集电池组的单节电池，获得不同温度、电压、电流、电池内阻环境下的模态参数和锂电池样本中真实的荷电状态SOC；

模态参数包括：单节锂电池电压值V、锂电池电流值I、锂电池内阻r、锂电池的温度T。

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进一步改进：

步骤S2包括：

S21)、建立从真实样本到电池荷电状态(SOC)的映射关系的映射，输入为真实电池模态参数样本集合，根据输入的样本，回归网络得出正确的SOC的预测，采用MSE来评估该新增回归网络的预测效果：

其中Ex,c～Pdata(x,c)为，c表示锂电池样本中真实的荷电状态SOC，r_ψ(x)表示输入真实样本中锂电池模态参数(包括电压V、电流I、温度T、内阻r)而通过回归模型R得到的预测荷电状态SOC，x表示输入的锂电池模态参数；

S22)、通过建立从生成模型输出的生成数据G(z,c)到电池荷电状态(SOC)的映射关系的映射，同时依据变分法，使用回归网络R对生成数据G(z,c)和条件变量c之间的互信息的下界值的估计值I[c；G(z,c)]；该估计值是利用最小化r_ψ(c|g_θ(z，c))的负对数似然性(Negative log like-lihood,NLL)，即最大化

使用损失函数MSE实现：

其中，Ez,c～P(z,c)为，c表示锂电池样本中真实的荷电状态SOC，r_ψ(g_θ(z，c))表示通过输入生成模型G产生的锂电池模态参数(包括电压V、电流I、温度T、内阻r)而通过回归模型R得到的预测荷电状态SOC，g_θ(z，c)表示生成模型G通过输入的噪音和条件变量产生模拟真实场景的锂电池模态参数，z表示输入的锂电池模态参数；

S23)、利用S21和S22中的映射关系，获得回归网络R中的目标函数：

其中，Ex,c～Pdata(x,c)为，c表示锂电池样本中真实的荷电状态SOC，其中，r_ψ(x)表示输入真实样本中锂电池模态参数而通过回归模型得到的预测荷电状态SOC，x表示输入的锂电池模态参数；

其中，Ez,c～P(z,c)为，c表示锂电池样本中真实的荷电状态SOC，其中，r_ψ(g_θ(z，c))表示通过输入生成模型G产生的锂电池模态参数而通过回归模型R得到的预测荷电状态SOC；g_θ(z，c)表示生成模型G通过输入的噪音和条件变量产生模拟真实场景的锂电池模态参数，z表示输入的锂电池模态参数，c表示锂电池样本中真实的荷电状态SOC；λ表示判别模型D和回归模型R对于生成模型G产生的约束作用。

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进一步改进：

步骤S3包括：将判别模型D的深度残差网络，通过对抗学习得到潜在特征层与之后的回归模型R共享，用于模拟锂电池内部的非线性特征；

回归模型R和判别模型D共享第一个和第二个卷积层，卷积核大小均为4*1，激活函数分别采用随机修正线性单元RReLU及指数线性单元Exponential Linear Units(ELU)；其中RRELU和ELU的计算公式分别为：

其中：x表示ELU的输入值，a表示ELU在x非正时参数系数，xji表示输入信号的原值，a_ji表示对应于xji时对于输入信号的修正系数，以达到非线性激活的作用；a_jix_ji表示经过激活函数之后的输出值；y_ji表示RReLU修正单元的输出值；f(x)表示ELU的输出值，a_ji是在训练过程中取一个高斯分布中随机出的值；测试阶段，把训练过程中所有的a_ji取值取均值，然后当作固定的值进行修正；即

a_ji～U(l，u)，l＜u and l，u∈[0，l)。

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进一步改进：

步骤S4包括：

将使用回归模型R估计生成模型G输出G(z,c)与条件变量c之间的互信息，估计两者之间的互信息：

其中，X代表生成模型G输出的G(z,c)值，Y代表条件变量c；p(x,y)是X和Y的联合概率分布函数，而p(x)和p(y)分别是X和Y的边缘概率分布函数。

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进一步改进：

步骤S5包括：

通过最小化生成对抗网络中的下列损失函数，来达到纳什均衡，提升了判别样本和生成样本效果；

其中，x表示模态参数，p～data(x)表示真实样本的概率分布，z～pz(z)表示随机噪声产生的逼近样本的概率分布，E_p～data(x)log D(x)表示判别模型的损失函数，

表示生成模型的损失函数；G(z)为生成模型G，其中输入参数为z，该输入服从高斯分布，均值为0，方差为0.2；采用五个反卷积层，卷积核大小均为4×1，中间层和输出层的激活函数分别为RReLU和双正切函数；D(G(z))为判别模型D，输入为生成模型G输出的样本；判别模型D的深度残差网络，采用四个卷积层，卷积核大小均为4*1，激活函数采用指数线性单元Exponential Linear Units(ELU)。

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进一步改进：

步骤7包括：

该网络闭环中，真实样本的数据分布为pdata(x)，而随机噪声z服从的是已知分布p(z)，其中条件变量c的分布为p(c)，判别模型D的参数形式为fw，生成模型G的参数形式为gθ，回归模型R的参数形式为rψ，最终增加了步骤S23得到的回归网络R中的目标函数的网络闭环构成改进之后的生成对抗网络，其目标函数表示为：

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技术优势为：

本发明提出一种基于改进生成对抗网络的锂电池荷电状态预测方法，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。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细说明。

图1为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流程示意图。

图2是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网络结构示意图。

具体实施方式

下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此。

实施例1、基于改进生成对抗网络的锂电池荷电状态预测方法，如图2所示；步骤包括以下：

S1)、在锂电池上模拟不同的工况充放电环境，并利用BMS设备(电池管理系统)采集电池组的单节电池，获得不同温度、电压、电流、电池内阻环境下的模态参数。

具体地，所述的样本电池为松下18650锂电池，18指电池直径18.0mm，650指电池高度65.0mm。锂离子电池电压为标称电压为3.7v，充电截止电压为4.2v。

BMS获取了样本电池三种不同工况即NEDC、EPA、WLTP的数据，模拟出电池的使用状况，交通路况与气候，驾驶习惯及是否开空调，获取的数据包括模态参数和锂电池荷电状态(即SOC)的真值(锂电池样本中真实的荷电状态SOC)，其中模态参数包括有：单节锂电池电压值V、锂电池电流值I、锂电池内阻r、锂电池的温度T。

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。进一步地，将上一步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。

具体地，使用了2层的LSTM网络来搭建新的回归结构。前一层的LSTM的输出作为后一层的输入。

具体包括：

S21)、建立从真实样本到电池荷电状态(SOC)的映射关系的映射，输入为真实电池模态参数样本集合，根据输入的样本，回归网络得出正确的SOC的预测，采用MSE来评估该新增回归网络的预测效果：

其中Ex,c～Pdata(x,c)为，c表示锂电池样本中真实的荷电状态SOC，r_ψ(x)表示输入真实样本中锂电池模态参数(包括电压V、电流I、温度T、内阻r)而通过回归模型R得到的预测荷电状态SOC，x表示输入的锂电池模态参数。

S22)、通过建立从生成模型输出的生成数据G(z,c)到电池荷电状态(SOC)的映射关系的映射，同时依据变分法，使用回归网络R对生成数据G(z,c)和条件变量c之间的互信息的下界值的估计值I[c；G(z,c)]。该估计值是利用最小化r_ψ(c|g_θ(z，c))的负对数似然性(Negative log like-lihood,NLL)，即最大化

使用损失函数MSE实现：

其中，Ez,c～P(z,c)为，c表示锂电池样本中真实的荷电状态SOC，r_ψ(g_θ(z，c))表示通过输入生成模型G产生的锂电池模态参数(包括电压V、电流I、温度T、内阻r)而通过回归模型R得到的预测荷电状态SOC，g_θ(z，c)表示生成模型G通过输入的噪音和条件变量产生模拟真实场景的锂电池模态参数，z表示输入的锂电池模态参数。

S23)、利用S21和S22中的映射关系，获得回归网络R中的目标函数：

其中，Ex,c～Pdata(x,c)为，c表示锂电池样本中真实的荷电状态SOC，其中，r_ψ(x)表示输入真实样本中锂电池模态参数(包括电压V、电流I、温度T、内阻r)而通过回归模型得到的预测荷电状态SOC，x表示输入的锂电池模态参数。

其中，Ez,c～P(z,c)为，c表示锂电池样本中真实的荷电状态SOC，其中，r_ψ(g_θ(z，c))表示通过输入生成模型G产生的锂电池模态参数(包括电压V、电流I、温度T、内阻r)而通过回归模型R得到的预测荷电状态SOC。

其中，g_θ(z，c)表示生成模型G通过输入的噪音和条件变量产生模拟真实场景的锂电池模态参数，z表示输入的锂电池模态参数，c表示锂电池样本中真实的荷电状态SOC。λ表示判别模型D和回归模型R对于生成模型G产生的约束作用，如果设置λ＝0则表示，改进生成对抗网络仅仅将判别模型D学习到锂电池非线性特征用于之后的电池荷电状态的回归预测上，而对生成模型G没有产生约束作用。

通过增加一层回归网络，改变了原始的生成对抗网络体系架构，使得该生成对抗网络可以进行回归学习和自学习，提高了泛化能力。该回归模型在下面的步骤S7中的闭环网络中使用，三种网络结构：生成模型、判别模型、回归模型，形成一个自学习的网络闭环，在该网络闭环的目标函数下，通过迭代学习和参数的更新，利用互信息约束进行纳什均衡的逼近。

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。

具体地，将判别模型D的深度残差网络，通过对抗学习得到潜在特征层与之后的回归模型R共享，用于模拟锂电池内部的非线性特征。包含以下步骤：

回归模型R和判别模型D共享第一个和第二个卷积层，卷积核大小均为4*1，激活函数分别采用随机修正线性单元RReLU及指数线性单元Exponential Linear Units(ELU)。其中RRELU和ELU的计算公式分别为：

其中：x表示ELU的输入值，a表示ELU在x非正时参数系数，xji表示输入信号的原值，a_ji表示对应于xji时对于输入信号的修正系数，以达到非线性激活的作用。a_jix_ji表示经过激活函数之后的输出值。yj_i表示RReLU修正单元的输出值。f(x)表示ELU的输出值，a_ji是在训练过程中取一个高斯分布中随机出的值。测试阶段，把训练过程中所有的a_ji取值取均值，然后当作固定的值进行修正。即

a_ji～U(l，u)，l＜u and l，u∈[0，1)

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。

将使用回归模型R估计生成模型G输出G(z,c)与条件变量c之间的互信息，估计两者之间的互信息：

其中，X代表生成模型G输出的G(z,c)值，Y代表条件变量c。p(x,y)是X和Y的联合概率分布函数，而p(x)和p(y)分别是X和Y的边缘概率分布函数。

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，优化后的判别模型和生成模型构成改进生成对抗网络的一部分。

具体地，通过最小化生成对抗网络中的下列损失函数，来达到纳什均衡，提升了判别样本和生成样本效果。值函数V(G,D)：

其中，x表示模态参数，即包括电压V、电流I、温度T、内阻r

其中，p～data(x)表示真实样本的概率分布，z～pz(z)表示随机噪声产生的逼近样本的概率分布

其中，E_p～data(x)log D(x)表示判别模型的损失函数，

表示生成模型的损失函数。

其中，G(z)为生成模型G，其中输入参数为z，该输入服从高斯分布，均值为0，方差为0.2。采用五个反卷积层，卷积核大小均为4×1，中间层和输出层的激活函数分别为RReLU和双正切函数。

其中，D(G(z))为判别模型D，输入为生成模型G输出的样本。判别模型D的深度残差网络，采用四个卷积层，卷积核大小均为4*1，激活函数采用指数线性单元ExponentialLinear Units(ELU)。

S6)、利用步骤5产生的优化后的生成模型G，产生出更多更真实的样本，将其添加到回归模型R使用到的训练集中，在该网络闭环中，步骤5优化后的判别模型D通过更好的判别精确度，通过互信息约束，又使回归模型R的电池荷电状态预测性能提升。

S7)、在该网络结构闭环中，得益于下面设计的目标函数，根据纳什均衡理论，使得目标函数趋向于收敛，且迭代100轮目标函数的损失值变化不超过1％，即认为达到收敛。此时三种模型交替训练使得每个模型都趋于最优，最终实现对锂电池荷电状态值的精准估计。

该网络闭环中，真实样本的数据分布为pdata(x)，而随机噪声z服从的是已知分布p(z)，其中条件变量c的分布为p(c)，判别模型D的参数形式为fw，生成模型G的参数形式为gθ，回归模型R的参数形式为rψ，最终增加了步骤S23得到的“回归网络R中的目标函数”的网络闭环构成改进之后的生成对抗网络，其目标函数表示为：

其中，λ表示判别模型D和回归模型R对于生成模型G产生的约束作用，如果设置λ＝0则表示，改进生成对抗网络仅仅将判别模型D学习到锂电池非线性特征用于之后的电池荷电状态的回归预测上，而对生成模型G没有产生约束作用。

最后，还需要注意的是，以上列举的仅是本发明的若干个具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。

Claims (7)

1.基于改进生成对抗网络的锂电池荷电状态预测方法，其特征在于：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。

2.根据权利要求1所述的基于改进生成对抗网络的锂电池荷电状态预测方法，其特征在于：

步骤S1)包括：在锂电池上模拟不同的工况充放电环境，并利用BMS设备采集电池组的单节电池，获得不同温度、电压、电流、电池内阻环境下的模态参数和锂电池样本中真实的荷电状态SOC；

模态参数包括：单节锂电池电压值V、锂电池电流值I、锂电池内阻r、锂电池的温度T。

3.根据权利要求2所述的基于改进生成对抗网络的锂电池荷电状态预测方法，其特征在于：

步骤S2包括：

S21)、建立从真实样本到电池荷电状态(SOC)的映射关系的映射，输入为真实电池模态参数样本集合，根据输入的样本，回归网络得出正确的SOC的预测，采用MSE来评估该新增回归网络的预测效果：

其中Ex,c～Pdata(x,c)为，c表示锂电池样本中真实的荷电状态SOC，r_ψ(x)表示输入真实样本中锂电池模态参数(包括电压V、电流I、温度T、内阻r)而通过回归模型R得到的预测荷电状态SOC，x表示输入的锂电池模态参数；

S22)、通过建立从生成模型输出的生成数据G(z,c)到电池荷电状态(SOC)的映射关系的映射，同时依据变分法，使用回归网络R对生成数据G(z,c)和条件变量c之间的互信息的下界值的估计值I[c；G(z,c)]；该估计值是利用最小化r_ψ(c|g_θ(z，c))的负对数似然性(Negative log like-lihood,NLL)，即最大化

使用损失函数MSE实现：

其中，Ez,c～P(z,c)为，c表示锂电池样本中真实的荷电状态SOC，r_ψ(g_θ(z，c))表示通过输入生成模型G产生的锂电池模态参数(包括电压V、电流I、温度T、内阻r)而通过回归模型R得到的预测荷电状态SOC，g_θ(z，c)表示生成模型G通过输入的噪音和条件变量产生模拟真实场景的锂电池模态参数，z表示输入的锂电池模态参数；

S23)、利用S21和S22中的映射关系，获得回归网络R中的目标函数：

其中，Ex,c～Pdata(x,c)为，c表示锂电池样本中真实的荷电状态SOC，其中，r_ψ(x)表示输入真实样本中锂电池模态参数而通过回归模型得到的预测荷电状态SOC，x表示输入的锂电池模态参数；

其中，Ez,c～P(z,c)为，c表示锂电池样本中真实的荷电状态SOC，其中，r_ψ(g_θ(z，c))表示通过输入生成模型G产生的锂电池模态参数而通过回归模型R得到的预测荷电状态SOC；g_θ(z，c)表示生成模型G通过输入的噪音和条件变量产生模拟真实场景的锂电池模态参数，z表示输入的锂电池模态参数，c表示锂电池样本中真实的荷电状态SOC；λ表示判别模型D和回归模型R对于生成模型G产生的约束作用。

4.根据权利要求3所述的基于改进生成对抗网络的锂电池荷电状态预测方法，其特征在于：

步骤S3包括：将判别模型D的深度残差网络，通过对抗学习得到潜在特征层与之后的回归模型R共享，用于模拟锂电池内部的非线性特征；

回归模型R和判别模型D共享第一个和第二个卷积层，卷积核大小均为4*1，激活函数分别采用随机修正线性单元RReLU及指数线性单元Exponential Linear Units(ELU)；其中RRELU和ELU的计算公式分别为：

其中：x表示ELU的输入值，a表示ELU在x非正时参数系数，xji表示输入信号的原值，a_ji表示对应于xji时对于输入信号的修正系数，以达到非线性激活的作用；a_jix_ji表示经过激活函数之后的输出值；y_ji表示RReLU修正单元的输出值；f(x)表示ELU的输出值，a_ji是在训练过程中取一个高斯分布中随机出的值；测试阶段，把训练过程中所有的a_ji取值取均值，然后当作固定的值进行修正；即

a_ji～U(l，u)，l＜u and l，u∈[0，1)。

5.根据权利要求4所述的基于改进生成对抗网络的锂电池荷电状态预测方法，其特征在于：

步骤S4包括：

将使用回归模型R估计生成模型G输出G(z,c)与条件变量c之间的互信息，估计两者之间的互信息：

其中，X代表生成模型G输出的G(z,c)值，Y代表条件变量c；p(x,y)是X和Y的联合概率分布函数，而p(x)和p(y)分别是X和Y的边缘概率分布函数。

6.根据权利要求5所述的基于改进生成对抗网络的锂电池荷电状态预测方法，其特征在于：

步骤S5包括：

通过最小化生成对抗网络中的下列损失函数，来达到纳什均衡，提升了判别样本和生成样本效果；

其中，x表示模态参数，p～data(x)表示真实样本的概率分布，z～pz(z)表示随机噪声产生的逼近样本的概率分布，E_p～data(x)log D(x)表示判别模型的损失函数，

表示生成模型的损失函数；G(z)为生成模型G，其中输入参数为z，该输入服从高斯分布，均值为0，方差为0.2；采用五个反卷积层，卷积核大小均为4×1，中间层和输出层的激活函数分别为RReLU和双正切函数；D(G(z))为判别模型D，输入为生成模型G输出的样本；判别模型D的深度残差网络，采用四个卷积层，卷积核大小均为4*1，激活函数采用指数线性单元Exponential Linear Units(ELU)。

7.根据权利要求6所述的基于改进生成对抗网络的锂电池荷电状态预测方法，其特征在于：

步骤7包括：

该网络闭环中，真实样本的数据分布为pdata(x)，而随机噪声z服从的是已知分布p(z)，其中条件变量c的分布为p(c)，判别模型D的参数形式为fw，生成模型G的参数形式为gθ，回归模型R的参数形式为rψ，最终增加了步骤S23得到的回归网络R中的目标函数的网络闭环构成改进之后的生成对抗网络，其目标函数表示为：

Images