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！

龙图腾网获悉贵州大学申请的专利结合多源退化特征的自适应增量式电池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：CN116796624B 。

龙图腾网通过国家知识产权局官网在2025-07-08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：202310403469.9，技术领域涉及：G06F30/27；该发明授权结合多源退化特征的自适应增量式电池RUL预测方法是由李少波;廖子豪;周鹏;张安思设计研发完成，并于2023-04-14向国家知识产权局提交的专利申请。

本结合多源退化特征的自适应增量式电池RUL预测方法在说明书摘要公布了：本发明公开了结合多源退化特征的自适应增量式电池RUL预测方法，属于电池RUL预测技术邻域，该方法中利用差分热伏安法提取表面温度和终端电压数据中的多源退化特征，得到具有自适应噪声的HI预处理，有效地消除了融合数据的容量再生现象和噪声对预测过程的影响。然后利用元启发式算法沙猫群优化，优化随机配置网络中的正则化参数，得到参数自适应增量神经网络SC‑SCN，该网络更好地满足电池RUL预测工作流行业的实时数据需求，添加自适应优化算法可以有效地提高预测模型的灵活性和预测效率，有效解决现有的深度学习预测方法中存在的单一健康指数不能稳定有效地表征电池退化、网络结构需要预先确定的缺陷的技术问题。

本发明授权结合多源退化特征的自适应增量式电池RUL预测方法在权利要求书中公布了：1.结合多源退化特征的自适应增量式电池RUL预测方法，其特征在于：该方法包括以下步骤： 步骤1，利用差分热伏安法提取表面温度和终端电压数据中的多源退化特征，得到具有自适应噪声的HI预处理； 步骤2，HI数据矩阵作为SC-SCN的输入，利用元启发式算法沙猫群优化，优化随机配置网络中的正则化参数，得到参数自适应增量神经网络SC-SCN； 步骤3，利用步骤2中得到的参数自适应增量神经网络SC-SCN对自适应增量式电池RUL进行预测； 步骤2中的详细步骤为： 步骤一：参数初始化： 初始化SandCat的总体大小、迭代iter、搜索超参数的上下界ub和lb、维数D、最大隐藏节点数Lmax、候选节点Tmax、容错性ε，将给定范围[lb,ub]内的参数值r初始化为Sandr； 步骤二：构建和训练SCN： 使用Lmax，Tmax,ε和Sandr来构建和训练SCN，并训练数据集； 数据集训练方法为： 假设已经构建了L-1个带有隐藏节点的SCN，输出结果如下所示： g其中表示一个激活函数β表示输出的权重,模型训练数据集输入为X＝{x1,x2,…,xN},xi＝[xi,1,…,xi,d]T；wj和bj为第j节点的随机权值和偏差： wj＝λ×2×randn,Tmax-13 bj＝λ×2×rand1,Tmax-14 Tmax是候选节点的最大值，SCN更新： YL＝YL-1+βLgL5 计算当前网络eL-1的误差： eL-1＝Y-YL-16 在达到误差范围之前，在SCN中添加隐藏节点会引入一个不等式约束，如式7，它采用了一种自监控机制来分配隐层参数： 其中，hLX＝[gLx1,gLx2,…,gLxN]T，hLX表示输入激活后的第L个隐藏节点输出；r∈0,1为随机正则化参数；μL是一个满足的给定序列 它是一系列非负实数，ξL在式7中的最大值用于计算节点L的参数，它与候选节点相关； β为隐层的输出权值，基于最小二乘法计算得到： 在式8中，||·||F表示弗罗比尼乌斯范数，HL＝[h1,h2,…,hL]是一个逆矩阵，表示隐层输出； 有两种方法结束网络训练，即设置误差极限e或最大隐藏节点数Lmax； 采用早期停止的方法，如满足式9中的终止条件之一，最终确定SCN的网络结构和参数，并根据这些参数和测试数据集得到相关输出,否则，请继续添加节点； 步骤三：计算沙猫的适合度： 使用均方根误差RMSE作为SC-SCN的适应度函数，RMSE可计算为： 其中，yi为第i个数据点的真值，为第i个数据点的SCN输出，N表示样本总数； 步骤四：更新参数r： 步骤五：获得最终的参数r： 重复步骤二到步骤五，直到SCN满足设定条件，从而得到r的最优值和最小适应度； 步骤六：获取SCN的输出： 计算出r最优值后，训练SCN，得到电池RUL预测值。

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贵州大学，其通讯地址为：550025 贵州省贵阳市花溪区贵州大学花溪北校区科技处；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”。