买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉合肥工业大学申请的专利一种基于迁移学习和无迹粒子滤波(UPF)融合模型的锂电池早期RUL预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119807954B 。

龙图腾网通过国家知识产权局官网在2025-08-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411864836.6，技术领域涉及：G06F18/2433；该发明授权一种基于迁移学习和无迹粒子滤波(UPF)融合模型的锂电池早期RUL预测方法是由陈立平;丁纪宇;倪丽萍;周盛莹;张朝龙;陈媛设计研发完成，并于2024-12-18向国家知识产权局提交的专利申请。

本一种基于迁移学习和无迹粒子滤波(UPF)融合模型的锂电池早期RUL预测方法在说明书摘要公布了：本发明提供了一种基于迁移学习和无迹粒子滤波UPF融合模型的锂电池早期RUL预测方法，属于动力电池和储能技术领域。本发明使用移动平均法和残差分析法对原始数据集进行平滑和去噪处理，并将处理后的数据划分为源域数据和目标域数据；将源域数据输入MogrifierLSTM神经网络进行训练，获得一个预训练模型，并利用少量目标域数据对预训练模型进行微调，从而实现同种类型但不同实验环境下其它电池的RUL预测；为进一步提高预测精度，采样双指数容量衰减经验模型建立状态方程；将微调后的模型输出的RUL预测值作为UPF的观测值，通过每次迭代更新得到后验容量预测值，并判断其是否达到容量阈值，从而实现锂电池的剩余使用寿命预测。

本发明授权一种基于迁移学习和无迹粒子滤波(UPF)融合模型的锂电池早期RUL预测方法在权利要求书中公布了：1.一种基于迁移学习和无迹粒子滤波UPF融合模型的锂电池早期RUL预测方法，其特征在于，包括如下步骤： 步骤1：数据预处理：将锂电池在不同温度、不同充放电速率下进行循环充放电实验，定期对锂电池采样，获得锂电池原始数据集；使用移动平均法和残差分析法对原始数据集进行平滑和降噪处理，以减少噪声对后续模型训练的影响； 步骤2：神经网络实现RUL预测，具体包括： 步骤2.1：单步预测：对Mogrifier-LSTM网络进行训练，实现基于前m个周期的容量值来预测下一个周期的容量值； 其中，在步骤2.1中，采用滑动窗口法构建Mogrifier-LSTM网络的训练样本，具体操作为：设定窗口长度为m+1，前m个周期作为输入，第m+1个周期作为输出，并沿整个容量值序列逐步滑动，以此获取输入与输出对，每个训练样本据此构造而成，具体可表示为： ； 其中表示第t个周期的容量值，表示序列长度，整个电池容量值序列，从任意连续的容量值的序列中获取一个输入-输出对，网络的输入表示为，输出表示为，该关系写作为，即，其中为神经网络通过训练学到的映射关系； 步骤2.2：迭代预测：在单步预测的基础上，连续使用前一步的预测结果作为输入，逐步推算出锂电池容量直至达到额定容量的75%的容量变化轨迹； 其中，在步骤2.2中，预测公式为： 给定输入，模型预测得到的容量值为： 将预测结果来更新来得到新的输入： ； 则的容量预测值是： ； 依此类推，则第步的预测值表示为： ； 按照上述递归步骤进行循环迭代预测，即可得到锂电池的容量变化轨迹，直至容量达到所设定的阈值，即额定容量的75%； 步骤2.3：迁移学习：将步骤1中预处理后的数据划分为源域数据和目标域数据，以源域数据作为Mogrifier-LSTM模型的输入进行预训练，使用目标域的数据对模型进行微调，以实现迁移学习，得到微调后的迁移学习模型TL-Mogrifier-LSTM； 步骤3：基于融合模型的RUL预测方法：通过引入无迹粒子滤波（UPF）对神经网络的预测值进行动态校正，使用步骤2中获得的TL-Mogrifier-LSTM神经网络预测的容量值作为UPF的观测值，在预测阶段的每次迭代中对容量预测值进行更新。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。