This study newly introduces a complementary cooperative algorithm considering generative adversarial network (GAN)-Conditional Latent Space (CLS) combined with bidirectional long short-term memory (BLSTM) for improved and efficient lithium-ion rechargeable battery state prediction. The GAN-CLS algorithm, which is an advanced method of GAN, can generate corresponding images from an input label description. Long short-term memory (LSTM) is a specific recurrent neural network (RNN) architecture that can predict sequences more accurately than conventional RNNs. In terms of battery state prediction, the combination of two methods (GAN-CLS and LSTM) surely provides more improved and efficient rechargeable battery state prediction in contrast to conventional state predictors. The procedure of this study is as follows. First, we propose methods to enhance the data from battery charge/discharge by converting prepared data to images; then, the GAN-CLS method is used to generate corresponding battery data from previous images. Subsequently, the generated data is used to train the BLSTM model. Finally, the trained model is used to predict the battery state. By various experiments and verification, it is concluded that the proposed study can be a good solution for rechargeable battery state prediction (reduction of the time cost 50 times in modeling and 20 times in train/test, provision of a more accurate prediction mean square error (MSE) smaller than 0.0025 and the average MSE less than 0.0013).

这项研究新引入了一种互补协同算法，该算法考虑了生成对抗网络（GAN）-条件潜在空间（CLS）和双向长期短期记忆（BLSTM）的组合，以改进和高效地预测锂离子可充电电池的状态。GAN-CLS算法是GAN的一种高级方法，可以根据输入的标签描述生成相应的图像。长短期记忆（LSTM）是一种特定的递归神经网络（RNN）体系结构，与常规RNN相比，可以更准确地预测序列。在电池状态预测方面，与传统的状态预测器相比，两种方法（GAN-CLS和LSTM）的结合无疑可以提供更好的，更有效的可充电电池状态预测。这项研究的程序如下。第一，我们提出了通过将准备好的数据转换为图像来增强电池充放电数据的方法；然后，使用GAN-CLS方法从先前的图像生成相应的电池数据。随后，生成的数据用于训练BLSTM模型。最后，训练后的模型用于预测电池状态。通过各种实验和验证，得出的结论是，所提出的研究可以成为可充电电池状态预测的良好解决方案（将建模中的时间成本减少50倍，将火车/测试中的时间成本减少20倍，提供更准确的预测均方误差） （MSE）小于0.0025，平均MSE小于0.0013）。随后，生成的数据用于训练BLSTM模型。最后，训练后的模型用于预测电池状态。通过各种实验和验证，得出的结论是，所提出的研究可以成为可充电电池状态预测的良好解决方案（将建模中的时间成本减少50倍，将火车/测试中的时间成本减少20倍，提供更准确的预测均方误差） （MSE）小于0.0025，平均MSE小于0.0013）。随后，生成的数据用于训练BLSTM模型。最后，训练后的模型用于预测电池状态。通过各种实验和验证，得出的结论是，所提出的研究可以成为可充电电池状态预测的良好解决方案（将建模中的时间成本减少50倍，将火车/测试中的时间成本减少20倍，提供更准确的预测均方误差） （MSE）小于0.0025，平均MSE小于0.0013）。