摘要
电池预后是电池管理系统的关键组成部分，能够预测电池寿命终点（EoL）和剩余使用寿命（RUL）。然而，由于电池老化实验耗时且成本高昂，要为数据驱动的预后方法获取足够大的带标签数据集颇具挑战性。为解决这一数据稀缺问题，我们提出了一种用于定向合成电池数据生成的条件生成对抗网络（GAN）框架，其中退化阶段被显式用作条件信息。该框架从三个退化区域——早期、膝点前和膝点后——生成样本，并使用同一底层电池数据的两种表示形式进行验证：直接时间序列和格拉姆角场（GAFs）。生成的数据通过特定于表示形式的定量指标和定性的分布分析进行评估。作为对合成数据效用的额外验证，GAN生成的样本被作为无标签数据纳入基于平均教师的半监督EoL预测框架中。在10次匹配的随机种子运行中，数据增强降低了两种表示形式下EoL预测误差的均值。对于时间序列工作流，MAE和RMSE分别降低了6.37%和3.66%，而基于GAF的工作流则显示出更大的降幅，分别为15.93%和16.20%。对于基于GAF的工作流，两项指标的提升均具有统计学显著性；数据增强后，基于GAF的模型与基于时间序列的模型之间的总体EoL预测误差未检测到统计学显著差异。这些发现展示了定向条件GAN用于电池数据增强的潜力，并凸显了基于GAF的生成方法作为传统基于时间序列的数据增强在电池预后中的有前景的补充手段。
