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！

龙图腾网获悉电子科技大学申请的专利一种基于多维时空特征与电池老化物理约束的充电时长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：CN119667488B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202411823255.8，技术领域涉及：G01R31/367；该发明授权一种基于多维时空特征与电池老化物理约束的充电时长预测方法是由邓忠伟;何裕鑫;聂文豪;唐小林;李鹏华;陈作懿;蒋春林设计研发完成，并于2024-12-12向国家知识产权局提交的专利申请。

本一种基于多维时空特征与电池老化物理约束的充电时长预测方法在说明书摘要公布了：本发明公开了一种基于多维时空特征与电池老化物理约束的充电时长预测方法，属于新能源汽车电池管理领域。首先，从车载OBD设备读取车辆的运行放电数据，并基于固定SOC区间获取电池容量标签；然后，利用电压区间构造多维数据样本，并基于不同数据之间的相关性，将传统时序数据转化为图结构数据；随后，基于随机放电数据和时空模型，自动提取表征电池老化的多维时空特征，并以电池的老化速率作为物理约束，以精确预测电池容量。最后，利用动态粒子群算法构建电池充电时长经验公式，确保在不同充电条件下实现电池剩余充电时长的准确预测。

本发明授权一种基于多维时空特征与电池老化物理约束的充电时长预测方法在权利要求书中公布了：1.一种基于多维时空特征与电池老化物理约束的充电时长预测方法，包括以下步骤： S1：清洗车辆充电数据与获取容量标签； S11：获取电动汽车的运行放电数据，包括：时间、总电压、电流、SOC电池荷电状态、单体最高电压、单体最低电压、单体最高温度、单体最低温度，记录并存储上述运行放电数据； S12：对运行数据进行数据清洗时，首先利用阈值范围来筛选异常数据；然后利用K-近邻插值法对缺失值进行填补，确保时间序列数据的连续性；最后利用低通滤波器平滑噪声数据，保证数据的平稳性和可靠性； S13：在获取容量标签时，首先设定固定的SOC区间，避免极端区段对容量评估的影响，确保每次计算覆盖相同的电池工作状态；然后利用清洗后的电流和时间数据，基于公式1，计算出电池的容量； 其中，Ca为计算的电池容量，Δt为采样间隔，I为充电电流，t1和t2分别为放电起始和终止时刻，SOCt1为放电起始SOC数据，SOCt2为放电终止SOC数据； S2：提取多维时空特征； S21：构造多维数据样本； 将QV曲线、TempV曲线、TimeV曲线和IC曲线作为数据驱动模型的输入；根据起始电压V_start、结束电压V_end和电压间隔ΔV，确定采集点个数L； 其中，将△V设置为2mV，通过为每个放电段设置固定的长度n获得每个放电容量段的边界值M； 其中，c是步长，函数floor·得到的最大整数不超过输入值； 在实际应用中，不可能获得每个容量点的上限值；为了解决这个问题，△Q＝[Q1，Q2，…，Qn]–Q1用于替换容量序列，其他温度和时间数据也进行相同处理；最终的多维数据样本表示为， 其中，△Q是充电量变化值，V是电压值，ΔTemp是温度变化量，dQ_dV是IC变化值，n是采集的数据长度； S22：根据多维数据样本构造多维数据图结构样本； S23：提取时空特征； 首先在图卷积网络的k个卷积层中使用聚合函数融合邻近节点的聚合信息，然后将该聚合信息与中心节点的当前状态惊醒集合和更新，计算过程如下： 其中，表示第k层节点i的特征向量，表示第k-1层节点j的特征向量，表示j属于节点，即所有节点，fa和fc分别是聚合函数和更新函数，Ni是与i相邻的节点，σ是激活函数； 第k层卷积层的传播规则为： 其中，Zk是节点层输出向量，fkA,X表示图卷积函数，X表示特征矩阵，表示邻接度矩阵，Xk第k层的特征矩阵，ωk表示第k层的权重矩阵； 门控循环单元是以Zk作为输入，输出最终捕获电池老化的时空特征ht，计算公式为： 其中，gt和rt分别是更新门和重置门的输出；σg和σr分别是更新门和重置门的激活函数；和ht分别代表候选隐藏状态和最终隐藏状态；Wg、Wr和Wh分别为更新门、重置门和隐藏层的权重矩阵；bg、br和分别是更新门、重置门和隐藏状态的偏置项； S3：建立容量预测模型； S31：模型输入数据构建与模型初始化； 在基于GCN-GRU模型进行容量预测时，GCN表示图卷积网络，GRU表示门控循环单元，首先对输入数据进行多维特征构建；输入数据为电压、电流、温度、时间，并通过这些特征构造图结构样本；构建的图包括邻接矩阵和节点特征，邻接矩阵表示不同特征节点之间的相关性，节点特征则代表每个节点的具体物理量，这些图结构数据作为输入，传递给模型的图卷积网络，用于提取特征之间的空间依赖关系； S32：GCN-GRU网络的时空特征提取； 在完成输入数据的构建和初始化后，数据被送入GCN层进行空间特征提取；GCN层将处理图结构数据，通过聚合节点与邻居节点的信息，提取不同特征维度之间的相关性；卷积后的图结构特征被传递到GRU网络中，GRU层专门用于提取时间维度上的动态特征；GRU通过处理时间序列数据，捕捉到电池在不同时间点的容量变化趋势，提取电池老化过程中的时序特征；最终，通过全连接层，将这些时空特征映射到电池容量估算的输出值； S33：确定老化速率物理约束与模型优化； 在模型训练过程中，损失函数包含数据损失与物理损失两类，通过最小化预测值与真实电池容量之间的误差来优化模型；损失函数如下式所示： 其中，Lossdata表示数据损失函数，Lossphysics表示物理特征损失函数，Loss表示总损失，ω1、ω2表示比例系数，Li表示第i个数据的历史循环次数，n为样本数量，为模型预测的容量值，yi为真是容量，y0是初始容量值； 训练中使用Adam优化器，以自适应学习率的方式加速模型的收敛，使其能够更好地拟合电池容量的变化趋势；为了防止过拟合，将数据集划分为训练集和验证集，通过验证集监控模型性能并调整超参数，确保模型在不同充放电条件下的泛化能力，最终获得稳定且精准的容量预测结果； S4：基于粒子滤波算法预测充电时间； S41：经验模型搭建及参数初始化；在充电量预测的经验模型中，首先基于粒子滤波算法构建初始模型，并初始化参数；模型输入包括电池容量、充电SOC范围、充电温度范围和充电倍率范围；通过粒子滤波器模拟这些变量的状态演化，构造多维空间下的充电过程模型； 模型的目标是通过粒子滤波过程，对充电过程的隐变量进行动态更新和预测；初始化步骤包括选择一组粒子来表示状态分布，并根据状态转移模型来估算充电时间；粒子滤波算法的初始化公式： px0～Nμ0,∑0 其中，x0是初始状态变量；μ0和Σ0是初始状态的均值和方差；px0表示初始状态x0的概率分布，Nμ0,∑0表示均值为μ0、协方差矩阵为∑0的正态高斯分布，～表示“服从”或“遵守”； S42：不断更新模型根据新输入的数据； 在每个时间步，粒子滤波器通过状态转移方程和观测方程来修正粒子的权重和状态，最终估算出更精确的实际充电时间；观测数据不断输入模型，粒子滤波器对粒子的权重进行重采样，并结合新的观测值来估算实际充电量；状态更新与观测的粒子滤波公式： pxt|y1:t∝pyt|xt∫pxt|xt-1pxt-1|y1:t-1dxt-1 其中，pxt|y1:t表示在获得时刻1到t的所有观测值y1：t后，对时刻t的状态xt的后验概率分布，y1:t表示从时刻1到时刻t的所有观测值的集合，即{y1，y2，…，yt}，∝表示正比于，xt是第t个时刻的状态变量，yt是当前时刻的观测值，pyt|xt是观测模型，表示基于状态xt计算观测yt的概率；pxt|xt-1是状态转移模型，表示当前状态基于前一状态的转移概率。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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”。

以上内容由龙图腾AI智能生成。