1.数据集的准备

需要下载数据集，然后将其解压缩到特定的目录中。

%tensorflow_version 2.x
%matplotlib inline
!pip show tensorflow
!wget -cq https://ti.arc.nasa.gov/c/5 -O naza.zip
!unzip -qqo naza.zip -d battery_data

在此部分中，所有处理数据集所需的库都很重要。

import datetime
import numpy as np
import pandas as pd
from scipy.io import loadmat
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error
from sklearn import metrics
import matplotlib.pyplot as plt
import seaborn as sns

2.将数据集加载到内存

数据存储在多个“.mat”文件中。每个文件对应于特定的电池，每个文件的数据结构如下:

在Python中创建了一个函数，负责从"mat"文件中读取这些数据，并将它们存储在内存中以供以后访问，加载数据集后，使用panda函数对数据进行描述，以验证数据加载是否正确。

def load_data(battery):mat = loadmat('battery_data/' + battery + '.mat')print('Total data in dataset: ', len(mat[battery][0, 0]['cycle'][0]))counter = 0dataset = []capacity_data = []for i in range(len(mat[battery][0, 0]['cycle'][0])):row = mat[battery][0, 0]['cycle'][0, i]if row['type'][0] == 'discharge':ambient_temperature = row['ambient_temperature'][0][0]date_time = datetime.datetime(int(row['time'][0][0]),int(row['time'][0][1]),int(row['time'][0][2]),int(row['time'][0][3]),int(row['time'][0][4])) + datetime.timedelta(seconds=int(row['time'][0][5]))data = row['data']capacity = data[0][0]['Capacity'][0][0]for j in range(len(data[0][0]['Voltage_measured'][0])):voltage_measured = data[0][0]['Voltage_measured'][0][j]current_measured = data[0][0]['Current_measured'][0][j]temperature_measured = data[0][0]['Temperature_measured'][0][j]current_load = data[0][0]['Current_load'][0][j]voltage_load = data[0][0]['Voltage_load'][0][j]time = data[0][0]['Time'][0][j]dataset.append([counter + 1, ambient_temperature, date_time, capacity,voltage_measured, current_measured,temperature_measured, current_load,voltage_load, time])capacity_data.append([counter + 1, ambient_temperature, date_time, capacity])counter = counter + 1print(dataset[0])return [pd.DataFrame(data=dataset,columns=['cycle', 'ambient_temperature', 'datetime','capacity', 'voltage_measured','current_measured', 'temperature_measured','current_load', 'voltage_load', 'time']),pd.DataFrame(data=capacity_data,columns=['cycle', 'ambient_temperature', 'datetime','capacity'])]
dataset, capacity = load_data('B0005')
pd.set_option('display.max_columns', 10)
print(dataset.head())
dataset.describe()

下图显示了随着充电周期的推进，电池的老化过程。水平线表示与电池生命周期结束相关的阈值。

plot_df = capacity.loc[(capacity['cycle']>=1),['cycle','capacity']]
sns.set_style("darkgrid")
plt.figure(figsize=(12, 8))
plt.plot(plot_df['cycle'], plot_df['capacity'])
#Draw threshold
plt.plot([0.,len(capacity)], [1.4, 1.4])
plt.ylabel('Capacity')
# make x-axis ticks legible
adf = plt.gca().get_xaxis().get_major_formatter()
plt.xlabel('cycle')
plt.title('Discharge B0005')

还需计算电池的SOH值：

attrib=['cycle', 'datetime', 'capacity']
dis_ele = capacity[attrib]
C = dis_ele['capacity'][0]
for i in range(len(dis_ele)):dis_ele['SoH']=(dis_ele['capacity'])/C
print(dis_ele.head(5))

和以前所作的一样，每个周期都绘制一个SOH图表，水平线代表70%的阈值，即电池已经达到其使用寿命，因此建议进行更换。

plot_df = dis_ele.loc[(dis_ele['cycle']>=1),['cycle','SoH']]
sns.set_style("white")
plt.figure(figsize=(8, 5))
plt.plot(plot_df['cycle'], plot_df['SoH'])
#Draw threshold
plt.plot([0.,len(capacity)], [0.70, 0.70])
plt.ylabel('SOH')
# make x-axis ticks legible
adf = plt.gca().get_xaxis().get_major_formatter()
plt.xlabel('cycle')
plt.title('Discharge B0005')

3.SOH计算的训练阶段

准备了数据集，以便Tensorflow可以在训练阶段使用，为此创建两个结构，对应于预期的输入和输出。数据集的相关特征是:

电池容量、电压、电流、温度、负载电压、负载电流、时间。

对于输出数据，计算电池的SOH，以及在两种情况下的输入和输出，这些值被归一化到[0-1]之间的值。

C = dataset['capacity'][0]
soh = []
for i in range(len(dataset)):soh.append([dataset['capacity'][i] / C])
soh = pd.DataFrame(data=soh, columns=['SoH'])attribs=['capacity', 'voltage_measured', 'current_measured','temperature_measured', 'current_load', 'voltage_load', 'time']
train_dataset = dataset[attribs]
sc = MinMaxScaler(feature_range=(0,1))
train_dataset = sc.fit_transform(train_dataset)
print(train_dataset.shape)
print(soh.shape)

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.layers import Dropout
from tensorflow.keras.layers import Flatten
from tensorflow.keras.layers import LSTM
from tensorflow.keras.optimizers import Adam

总训练参数：27；

可训练参数：27。

对该模型进行训练，epoch=50；

model.fit(x=train_dataset, y=soh.to_numpy(), batch_size=25, epochs=50)

第二节传送门：

深度学习模型的准备和使用教程，LSTM用于锂电池SOH预测（第二节）（附Python的jypter源代码）_新能源姥大的博客-CSDN博客

深度学习模型的准备和使用教程，LSTM用于锂电池SOH预测（第一节）（附Python的jypter源代码）相关推荐

深度学习模型的准备和使用教程，LSTM用于锂电池SOH预测（第二节）（附Python的jypter源代码）
测试SOH预测模型为测试模型的正确性,对同一电池 (B0006) 进行充电. dataset_val, capacity_val = load_data('B0006') attrib=['cycl ...
用Windows电脑训练深度学习模型？超详细配置教程来了
选自towardsdatascience 作者:Ahinand 机器之心编译编辑:Panda 虽然大多数深度学习模型都是在 Linux 系统上训练的,但 Windows 也是一个非常重要的系统,也可 ...
tensorflow linux多卡训练_用Windows电脑训练深度学习模型？超详细配置教程来了
公众号关注 "DL-CVer" 设为 "星标",DLCV消息即可送达! 转自机器之心虽然大多数深度学习模型都是在 Linux 系统上训练的,但 Window ...
windows python 访问mtp存储空间_用Windows电脑训练深度学习模型？超详细配置教程来了...
虽然大多数深度学习模型都是在 Linux 系统上训练的,但 Windows 也是一个非常重要的系统,也可能是很多机器学习初学者更为熟悉的系统.要在 Windows 上开发模型,首先当然是配置开发环境. ...
windows所有版本列表_用Windows电脑训练深度学习模型？超详细配置教程来了
选自towardsdatascience 作者:Ahinand 机器之心编译编辑:Panda 虽然大多数深度学习模型都是在 Linux 系统上训练的,但 Windows 也是一个非常重要的系统,也可 ...
tensorflow linux多卡训练_用 Windows 电脑训练深度学习模型？超详细配置教程来了...
点击上方蓝色小字 ,关注并星标 ,更多干货,第一时间送达转载自公众号:AI有道虽然大多数深度学习模型都是在 Linux 系统上训练的,但 Windows 也是一个非常重要的系统,也可能是很多 ...
tflearn教程_利用 TFLearn 快速搭建经典深度学习模型
使用 TensorFlow 一个最大的好处是可以用各种运算符(Ops)灵活构建计算图,同时可以支持自定义运算符(见本公众号早期文章<TensorFlow 增加自定义运算符>).由于运算符的 ...
不用GPU，稀疏化也能加速你的YOLOv3深度学习模型
水木番发自凹非寺来自|量子位你还在为神经网络模型里的冗余信息烦恼吗? 或者手上只有CPU,对一些只能用昂贵的GPU建立的深度学习模型"望眼欲穿"吗? 最近,创业公司Neur ...
python打包exe之打包深度学习模型踩坑记录及其解决办法。
在现实生活中,有时候我们写的程序需要发给小伙伴用,而小伙伴没有python,这时候我们需要将程序打包成exe文件发给小伙伴用. 今天讲下打包深度学习模型打包一般要用到cmd命令行,要求cmd能执行p ...

深度学习模型的准备和使用教程，LSTM用于锂电池SOH预测（第一节）（附Python的jypter源代码）

1.数据集的准备

2.将数据集加载到内存

3.SOH计算的训练阶段

深度学习模型的准备和使用教程，LSTM用于锂电池SOH预测（第一节）（附Python的jypter源代码）相关推荐

最新文章

热门文章