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！

龙图腾网获悉西安交通大学申请的专利一种基于预分类和LSTM-CNN的电池寿命早期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：CN119917801B 。

龙图腾网通过国家知识产权局官网在2026-01-27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：202411986393.8，技术领域涉及：G06F18/20；该发明授权一种基于预分类和LSTM-CNN的电池寿命早期预测方法是由孙孝飞;刘瑞;杨敏行;梅雪松设计研发完成，并于2024-12-31向国家知识产权局提交的专利申请。

本一种基于预分类和LSTM-CNN的电池寿命早期预测方法在说明书摘要公布了：一种基于预分类和LSTM‑CNN的电池寿命早期预测方法，利用放电过程中的容量差数据提取特征，通过无监督学习的聚类方法确定样本的分类区间，根据电池实际寿命分布情况划分为长寿命组和短寿命组，构建并训练适合于电池样本分类和寿命预测的LSTM和CNN网络的全新叠加模型，首先通过LSTM‑CNN分类模型对新样本进行分类，并匹配不同的寿命预测模型，再通过LSTM‑CNN预测模型对电池寿命进行预测，实现了利用少量数据对电池寿命的早期预测，模型结构精简，并显著提升了预测准确度和高效性。

本发明授权一种基于预分类和LSTM-CNN的电池寿命早期预测方法在权利要求书中公布了：1.一种基于预分类和LSTM-CNN的电池寿命早期预测方法，其特征在于，包括以下步骤： S1：首先在采集的电池充放电循环数据中提取每个循环放电过程中的Q-V数据，并对提取出的数据进行预处理操作； S2：在数据预处理的基础上，进行特征提取与特征筛选，所选特征将用于后续电池等级分类与寿命预测模型的输入； S3：使用MeanShift无监督学习聚类方法，依据电池数据集寿命的实际分布情况划分为具有明显区分度的两大寿命区间，分别为长寿命组和短寿命组，聚类结果将作为样本分组的依据指导后续的电池分类与寿命预测； S4：搭建LSTM-CNN分类模型框架，使用训练集数据提取的特征作为输入数据，步骤S3所述聚类结果显示的分组情况作为标签数据，训练电池寿命分类模型； S5：搭建LSTM-CNN回归模型框架，根据步骤S3所述聚类结果分别使用训练集中的长寿命组和短寿命组电池的特征数据训练对应的电池寿命预测模型； S6：使用测试集数据对模型预测效果进行验证与评价； 所述步骤S4具体为： 构建一种融合长短期记忆网络LSTM与卷积神经网络CNN的复合深度学习分类模型结构，包括两个LSTM层、一个Dropout层、5个一维卷积层、一个最大池化层、一个展平层、一个全连接层以及一个输出层，输出层指定激活函数为Softmax函数，将输出转化为概率分布的形式；在模型训练过程中，首先利用步骤S3的聚类结果对训练数据进行标签标注，将训练集前10%-15%循环的放电数据的特征数据作为模型输入训练一个分类模型，即LSTM-CNN分类模型，该模型根据电池当前的健康状况将其归入对应的寿命区间，以便后续使用不同的寿命预测模型进行剩余寿命的预测； 所述步骤S5具体为： 首先搭建与步骤S4所述的LSTM-CNN分类模型层级结构相同的LSTM-CNN回归模型框架，由两个LSTM层、五个一维卷积层、一个全连接层以及一个输出层构成，输出层使用Linear线性激活函数，输出结果为模型预测的寿命值，在LSTM-CNN回归模型训练过程中，根据聚类结果，针对长寿命组和短寿命组样本分别训练，分别输入长寿命组和短寿命组样本的前10%-15%循环的特征数据，并赋予不同的模型参数，捕捉不同寿命区间电池衰退规律，进行不同电池的精准化寿命预测，训练完成后获得长寿命LSTM-CNN预测模型与短寿命LSTM-CNN预测模型。

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西安交通大学，其通讯地址为：710049 陕西省西安市碑林区咸宁西路28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。