Генеративно-состязательная нейронная сеть для моделирования шумовых характеристик источников тока
https://doi.org/10.26583/vestnik.2025.4.6
EDN: VUYXVI
Аннотация
В статье представлен новый подход к моделированию шумов напряжения химических источников тока с целью аугментации наборов данных. Для решения задачи моделирования шумов напряжения литий-ионных аккумуляторов впервые предложен метод на основе генеративно-состязательной нейронной сети с использованием слоёв LSTM. Приведен краткий статистический и спектральный анализ флуктуаций реальных сигналов напряжения источников тока. На его основе проведено качественное и количественное исследование синтетических сигналов. Показано, как разметка сгенерированных данных при помощи глубокой нейронной сети позволяет проводить генерацию шумовых характеристик для заданной степени заряженности элемента. Приведены рекомендации по применению предложенного алгоритма для усовершенствования методов интерпретации флуктуаций напряжения источников тока и дана экспериментальная оценка эффективности его применения: снижение ошибки определения степени заряженности элемента с 6.8% до 4.9%.
Об авторе
А. Г. Попов
Московский Физико-технический институт (национальный исследовательский университет);
Федеральное государственное унитарное предприятие «Центральный научно-исследовательский институт химии и механики» имени Д.И. Менделеева
Россия
Россия
Ассистент кафедры перспективных технологий для систем безопасности
Список литературы
1. Li X., Jiang J., Zhang C., Wang L. Y., Zheng L. Robustness of SOC Estimation Algorithms for EV Lithium-Ion Batteries against Modeling Errors and Measurement Noise// Mathematical Problems in Engineering, 2015. P. 1–14. doi:10.1155/2015/719490
2. Zhang L., Shen Z., Sajadi S.M., Prabuwono A.S., Mahmoud M.Z., Cheraghian G., ElSayed M., Tag El Din. The machine learning in lithium-ion batteries: A review // Engineering Analysis with Boundary Elements, 2022. V.141. P. 1-16. doi:10.1016/j.enganabound.2022.04.035.
3. Eleftheriadis P., Gangi M., Leva S., Rey A.V., Groppo E., Grande L. Comparative study of machine learning techniques for the state of health estimation of Li-Ion batteries // Electric Power Systems Research, 2024. V.235. Article ID: 110889. doi:10.1016/j.epsr.2024.110889.
4. Faragher R. Understanding the Basis of the Kalman Filter Via a Simple and Intuitive Derivation [Lecture Notes] // IEEE signal processing magazine, 2012. V.29. iss.5. P.128-132. doi:10.1109/MSP.20212.2203621
5. Xie J., Wei X., Bo X., Zhang P., Chen P., Hao W., Yuan M. State of charge estimation of lithium-ion battery based on extended Kalman filter algorithm // Frontiers in Energy Research, 2023. V.11. Article ID: 1180881. doi: 10.3389/fenrg.2023.1180881
6. Tian Y., Lai R., Li X., Xiang L., Tian J. A combined method for state-of-charge estimation for lithium-ion batteries using a long short-term memory network and an adaptive cubature Kalman filter // Applied Energy, 2020 V.265(C). Article ID: 114789. doi: 10.1016/j.apenergy.2020.114789
7. Астафьев Е.А. Измерение электрохимических шумов твердополимерного топливного элемента под нагрузкой // Электрохимия, 2018. T. 54. № 6. С. 638-645.
8. Астафьев Е.А. Измерение и анализ электрохимических шумов литий-ионного аккумулятора // Электрохимия, 2019. T. 55. № 6. С. 654-662.
9. Astafev E.A. Electrochemical noise measurement of a lithium iron(II) phosphate (LiFePO4) rechargeable battery // Instrumentation Science and Technology, 2019. V.10. doi: 10.1080/10739149.2019.1658601
10. Астафьев Е.А. Сравнение различных подходов в анализе электрохимических шумов на примере водородно-воздушного топливного элемента // Электрохимия, 2020. Т. 56. № 2. С. 167-174. doi: 10.1134/S0424857020020036.
11. Astafev E.A. State-of-charge determination of Li/SOCl2 primary battery by means of electrochemical noise measurement // Journal of Solid State Electrochemistry, 2019. V. 23. P. 1493-1504.
12. Попов А.Г., Мозговой Н.А., Сущеня Г.Н., Пиджаков В.А., Ульянов С.А. Применение методов глубокого обучения для анализа флуктуаций напряжения литиевых источников тока // Труды МФТИ, 2023. Т. 15. № 4 (60). С.150-161.
13. Martemianov S., Maillard F., Thomas A., Lagonotte P., Madier L. Noise Diagnosis of Commercial Li-Ion Batteries Using High-Order Moments //Russian Journal of Electrochemistry, 2016. V. 52, № 12. P. 1122-1130.
14. Sarker I.H. Machine learning: Algorithms, real-world applications and research directions // SN Computer Science, 2021. № 2. P. 1–21.
15. Попов А.Г., Ерёмин Н.В., Мозговой Н.А, Спектральное исследование электрохимических шумов литиевых источников тока // Труды МФТИ., 2021. Т.13. № 2(50). С. 23-31.
16. Goodfellow I.J., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S., Courville A., Bengio Y. Generative Adversarial Networks // arXiv 2014, arXiv:1406.2661
17. Karras T., Aila T., Laine S., Lehtinen J. Progressive growing of GANs for improved quality, stability, and variation // arXiv preprint, 2017. arXiv:1710.10196.
18. Ledig C., Theis L., Husz´ar F., Caballero J., Cunningham A., Acosta A., Aitken A.P., Tejani A., Totz J., Wang Z. et al. Photo-realistic single image super-resolution using a generative adversarial network // IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017. doi:10.1109/CVPR.2017.19
19. Fedus W., Goodfellow I., Dai A.M. MaskGAN: Better text generation via filling in the ____ // arXiv preprint, 2018. arXiv:1801.07736. doi:10.48550/arXiv.1801.07736
20. Liang X., Hu Z., Zhang H., Gan C., Xing E.P. Recurrent topictransition GAN for visual paragraph generation // arXiv preprint, 2017. arXiv:1703.07022.
21. Mogren O. C-RNN-GAN: Continuous recurrent neural networks with adversarial training // arXiv preprint, 2016. arXiv:1611.09904.
22. Yang L.-C., Chou S.-Y., Yang Y.-H. Midinet: A convolutional generative adversarial network for symbolic-domain music generation // arXiv preprint, 2017. arXiv:1703.10847.
23. Yang G., Ma Q., Sun H., Zhang X. State of Health Estimation Based on GAN-LSTM-TL for Lithium-ion Batteries // International Journal of Electrochemical Science, 2022. V.17. № 221128. doi: 10.20964/2022.11.07
24. Wong K.L., Chou K.S., Tse R., Tang S.-K., Pau G. A. Novel Fusion Approach Consisting of GAN and State-of-Charge Estimator for Synthetic Battery Operation Data Generation // Electronics, 2023. V.12. № 657. doi: 10.3390/ electronics12030657
25. Glorot X., Bengio Y. Understanding the Difficulty of Training Deep Feedforward Neural Networks // Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics, 2010. Sardinia, Italy: AISTATS, 2010. P.249–356. https://proceedings.mlr.press/v9/glorot10a/glorot10a.pdf
26. van der Maaten L., Hinton G. Visualizing Data using t-SNE // Journal of Machine Learning Research, 2008. V.9. iss. 86. P. 2579-2605.
27. Sidorov G., Gelbukh A., Gómez-Adorno H., Pinto D. Soft Similarity and Soft Cosine Measure: Similarity of Features in Vector Space Model // Computación y Sistemas, 2014. V.18. №. 3. P. 491-504. doi: 10.13053/CyS-18-3-2043
Дополнительные файлы
Рецензия
Для цитирования:
Попов А.Г. Генеративно-состязательная нейронная сеть для моделирования шумовых характеристик источников тока. Вестник НИЯУ МИФИ. 2025;14(4):339-351. https://doi.org/10.26583/vestnik.2025.4.6. EDN: VUYXVI
For citation:
Popov A.G. Generative adversarial network for power sources’ noise characteristics modeling. Vestnik natsional'nogo issledovatel'skogo yadernogo universiteta "MIFI". 2025;14(4):339-351. (In Russ.) https://doi.org/10.26583/vestnik.2025.4.6. EDN: VUYXVI
Просмотров:
12
Послать статью по эл. почте 