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！

龙图腾网获悉哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)申请的专利基于深度学习的锂电池性能预测方法、装置、设备及介质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：CN119247142B 。

龙图腾网通过国家知识产权局官网在2025-12-30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：202411142595.4，技术领域涉及：G01R31/367；该发明授权基于深度学习的锂电池性能预测方法、装置、设备及介质是由施荣沛;胡一鸣;郭楷淇;姚瑞君设计研发完成，并于2024-08-20向国家知识产权局提交的专利申请。

本基于深度学习的锂电池性能预测方法、装置、设备及介质在说明书摘要公布了：本发明适用锂电池技术领域，提供了一种基于深度学习的锂电池性能预测方法，该方法包括：利用目标电池的早期循环数据对训练好的锂电池性能预测模型进行微调训练，使用微调训练完成的锂电池性能预测模型对目标电池的性能进行在线预测，得到目标电池的剩余使用寿命和健康状态，其中，在对锂电池性能预测模型进行微调训练之前，采用样本筛选策略对预设的电池样本数据集进行筛选，得到训练样本集，利用训练样本集对预先构建的锂电池性能预测模型进行离线训练，以得到训练好的锂电池性能预测模型，从而提高了对锂电池性能预测的预测精度和预测效果，并实现了对锂电池容量退化轨迹的准确预测。

本发明授权基于深度学习的锂电池性能预测方法、装置、设备及介质在权利要求书中公布了：1.一种基于深度学习的锂电池性能预测方法，其特征在于，所述方法包括下述步骤： 利用目标电池的早期循环数据对训练好的锂电池性能预测模型进行微调训练，所述早期循环数据包括充放电曲线、容量衰减曲线、库仑效率以及电压变化数据，所述锂电池性能预测模型包括双通道特征提取模块、特征聚合模块以及时序处理与预测模块，其中，所述双通道特征提取模块包括第一通道模块和第二通道模块，且所述第一通道模块和所述第二通道模块均嵌入了通道注意力和空间注意力模块，所述特征聚合模块包括展平层和拼接层，所述时序处理与预测模块包括长短期记忆网络、两个全连接层和一个时序注意力模块，所述第一通道模块和所述第二通道模块均包含两层卷积层，且每层卷积层后均连接一层最大池化层，同时，在每层卷积层和最大池化层之间均嵌入了一个所述通道注意力和空间注意力模块； 使用微调训练完成的所述锂电池性能预测模型对所述目标电池的性能进行在线预测，得到所述目标电池的剩余使用寿命和健康状态； 其中，所述锂电池性能预测模型通过以下方式训练得到： 采用样本筛选策略对预设的电池样本数据集进行筛选，得到训练样本集，在采用样本筛选策略对预设的电池样本数据集进行筛选时，包括：根据预设的容量跌落阈值对所述电池样本数据集进行数据清洗，得到剩余样本数据集；根据所述剩余样本数据集，提取所述剩余样本数据集中所有电池样本的容量退化矩阵；采用主成分分析对所述容量退化矩阵进行降维处理，得到容量降维矩阵；使用无监督学习算法对所述容量降维矩阵进行聚类处理，得到聚类结果；基于预设的先验特征和所述聚类结果，对所述剩余样本数据集进行筛选，得到所述训练样本集； 利用所述训练样本集对预先构建的锂电池性能预测模型进行离线训练，以得到训练好的锂电池性能预测模型； 利用所述训练样本集对预先构建的锂电池性能预测模型进行离线训练的步骤，包括： 根据所述训练样本集，构建所述训练样本集中电池样本的准格拉姆角场矩阵和退化矩阵； 使用所述准格拉姆角场矩阵和所述退化矩阵对所述锂电池性能预测模型进行离线训练； 所述准格拉姆角场矩阵通过如下方式构建：将所述训练样本集中每个电池样本的退化矩阵进行归一化，得到归一化后退化矩阵，使用极化方程式对进行极坐标化，根据方程式得到所述准格拉姆角场矩阵，其中，GAF表示所述准格拉姆角场矩阵，表示时间戳，表示滑动窗口的宽度，表示在第n次循环处的电池容量。

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哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)，其通讯地址为：518000 广东省深圳市南山区桃源街道深圳大学城哈尔滨工业大学校区；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。