基于条件循环生成对抗网络的锂离子电池容量预测：时间序列再生方法

准确的容量预测对于电池的安全可靠运行至关重要，可通过提前预判潜在故障来实现。最先进的容量预测方法的性能受到训练数据有限的严重制约，这主要归因于昂贵的实验成本和数据共享限制。为解决这一问题，本文提出了一种基于循环条件生成对抗网络（RCGAN）的方案，通过添加高保真合成样本来扩充有限的电池数据以改善容量预测。所提出的RCGAN方案包括一个生成网络，用于生成与真实数据高度相似的合成样本，以及一个判别网络，用于区分真实样本和合成样本。采用基于长短期记忆网络（LSTM）的生成器和判别器来学习多元时间序列电池数据中的时序和空间分布。此外，生成器以容量值为条件，以考虑因使用循环退化而引起的电池动态变化。RCGAN的有效性在来自两个基准数据集（NASA和MIT）的六块电池上进行了评估。原始数据随后通过RCGAN生成的合成样本进行扩充，以训练LSTM和门控循环单元（GRU）模型进行容量预测。仿真结果表明，使用扩充数据集训练的模型在容量预测方面显著优于使用原始数据集训练的模型。