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！

龙图腾网获悉吉林大学申请的专利关键区间特征提取的快速电池寿命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：CN116540101B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202310510893.3，技术领域涉及：G01R31/367；该发明授权关键区间特征提取的快速电池寿命预测方法是由马彦;李嘉奇;齐宝慧;马乾;胡云峰;高金武设计研发完成，并于2023-05-09向国家知识产权局提交的专利申请。

本关键区间特征提取的快速电池寿命预测方法在说明书摘要公布了：一种关键区间特征提取的快速电池寿命预测方法，属于新能源汽车动力电池技术领域。本发明的目的是采用多头注意力机制获取特征数据之间的依赖关系，并通过前馈神经网络确定不同时间步长的权重，最后通过全连接层和预测层估计了锂电池剩余寿命的关键区间特征提取的快速电池寿命预测方法。本发明的步骤是：锂离子电池老化曲线的膝点和膝起的识别，基于TE‑DeTransformer架构的关键特征区间的老化特征提取，基于关键区间特征提取的锂离子电池寿命预测。本发明采用多头注意力机制获取特征数据之间的依赖关系，并通过前馈神经网络确定不同时间步长的权重，最后通过全连接层输入到电池的寿命RUL预测模型中，提高了电池的寿命预测的精度。

本发明授权关键区间特征提取的快速电池寿命预测方法在权利要求书中公布了：1.一种关键区间特征提取的快速电池寿命预测方法，其特征在于：其步骤是： S1.锂离子电池老化曲线的膝点和膝起的识别 采用Bacon-Watts模型来确定电池容量衰减曲线中的膝点，在电池老化曲线中某个未知的过渡点x1的左右有两条直线，两条直线的关系为Y＝α0+α1x-x1+α2x-x1tanh{x-x1γ}+Z1 其中，Y为距离电池容量曲线膝点的剩余周期数；Z是一个以零为中心的正态分布随机变量，表示残差；α1和α2分别为左右两条相交线的斜率；x为电池的循环周期数，当循环周期x＝x1时，α0为最左端的截距；tanh为激活函数；γ为控制斜率突变的参数； 对参数αii＝0，1，2和x1进行优化，并把γ固定一个小的值来获得突变周围的变化点x1，这个变化周期点x1就被定义为膝点； 使用doubleBacon-Watts模型进行膝起点的识别，模型识别数据中的两个转变，即 Y＝α0+α1x-x0+α2x-x0tanh{x-x0γ}+α3x-x2tanh{x-x2γ}+Z2 其中，x2和x0分别是突变周围的变化点，把变化周期点x0定义为膝起； 通过膝点与膝起之间的周期数，对电池老化数据进行分类，即 Δx＝x1-x03 其中，Δx为膝点与膝起点间的周期数； S2、基于TE-DeTransformer架构的关键特征区间的老化特征提取 1将输入的电池老化数据归一化： 老化数据包括膝点与膝起点之间的电池健康状态、电池恒压充电时间、电池恒流充电时间、电池内阻阻抗数据；设电池特征输入序列为 x＝{x1，x2，…，xn}，归一化为 其中，C0为电池的初始额定容量，xN为x的归一化值； 2对电池的老化数据进行去噪： 令表示m个特征数据样本切片序列，归一化后的老化数据输入序列中加入高斯噪声，然后将含有噪声的老化数据输入到自动编码器，使用解码器从特征空间重构输入；该过程总结为 其中，W1和W2分别为编码器和解码器的权重；b1和b2分别为编码器和解码器的偏差；φ·和分别为激活函数，其中，编码器选择identity函数，解码器选择ReLU函数；N表示高斯噪声，μ为输入的电池老化数据的平均值，σ为输入电池老化数据的标准差；z为编码器的输出，即隐藏特征；为解码器的输出，即重构输入；为被噪声污染后的向量； 3通过最小化重构误差，无监督学习能够学习到从低维编码到高维表示的有效映射，以便去除噪声并重建更准确的数据，即 其中，为目标函数；l为损失函数；λ为正则化参数；n为电池的输入特征数据的长度；为斐波那契准则； 通过参数共享来减少模型的权重数量，即令W1＝W2，从而来加速训练； 4Transformer解码器从重构电池老化数据中提取电池的退化特征，有两个子层：多头注意力机制层和前馈神经网络层； 5将电池老化特征数据每个时间步长的相对位置标记添加到输入中，其具体定义为 其中，t为老化特征在序列中的相对位置；k为位置步长；dz为编码器输出的维数； 6利用时间编码层将电池老化数据特征对应的循环周期信息也做作为特征引入输入数据中，时间编码的定义与位置编码PE类似，即 其中，i为当前序列时间；p为时间步长；dz为编码器输出的维数； 7注意力机制包括查询Q、键值K和值V向量，Q、K、V的公式为 其中，和分别是投影的权重；Hl-1为第l-1层的并行注意力函数； 8缩放点积注意力通过将点积结果除以一个缩放因子来减少随机初始化权值可能带来的梯度变化过大问题，从而加速模型的收敛和优化，表示为 其中，dk＝dzm，softmax函数用于计算注意力权重； 将m个缩放点积注意力SDA连接在一起，并乘以权重矩阵，生成多头注意力机制MHA层的最终注意力，其过程表示为 MultiHeadHl-1＝Concathead1，head2，…，headm·WO15 其中，WO是可训练的权重；headj表示第j个头部的自注意力结果；最终注意力通过Concat函数连接； 9从多头注意力机制Hl-1获得Hl，即 Hl＝FFNMultiHeadHl-117 FFNx＝ReLUMHA*W3+b3W4+b418 其中，W3和W4是输入到隐藏层和隐藏层到输出层之间的权重矩阵，分别对应于输入到隐藏层的线性映射和从隐藏层到输出层的线性映射；b3和b4分别为分别是隐藏层和输出层的偏差项； S3、基于关键区间特征提取的锂离子电池寿命预测 电池容量的预测结果由FFN输入的全连接层给出，即 其中，Wpredict为权重；bpredict为偏差；Hh是上一步所提取的隐藏老化特征输入；g·为预测层的映射函数。

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吉林大学，其通讯地址为：130012 吉林省长春市人民大街5988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。