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！

龙图腾网获悉北京航空航天大学申请的专利一种基于非线性增强LSTM的锂电池SOH与RUL协同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：CN117216492B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202310601346.6，技术领域涉及：G06F18/20；该发明授权一种基于非线性增强LSTM的锂电池SOH与RUL协同预测方法是由杨顺昆;吴梦丹;邵麒;杨明浩;段峙宇;侯展意;石灿炜设计研发完成，并于2023-05-25向国家知识产权局提交的专利申请。

本一种基于非线性增强LSTM的锂电池SOH与RUL协同预测方法在说明书摘要公布了：本发明涉及一种基于非线性增强LSTM的锂电池SOH与RUL协同预测方法，属于电池寿命预测技术领域，解决了现有技术中电化学数据需求量大、提取特征单一且不充分、计算资源浪费和深层次、非线性特征提取能力弱而SOH和RUL预测准确率低的问题。本发明基于数据驱动，通过多通道卷积神经网络进行多维特征提取，并基于非线性增强的LSTM模型进行电池序列数据特征提取，深入挖掘电池参数的非线性特征，将SOH评估结果作为RUL预测的输入，采用神经网络方法进行RUL预测，对锂电池的SOH和RUL的预测准确率高；对数据特征充分提取，电化学数据需求量降低；采用同一预训练的非线性增强LSTM模型共享输入，大幅节省了计算资源。

本发明授权一种基于非线性增强LSTM的锂电池SOH与RUL协同预测方法在权利要求书中公布了：1.一种基于非线性增强LSTM的锂电池SOH与RUL协同预测方法，其特征在于，包括如下步骤： 步骤S1.获取电池数据，从中选取得到电池特征参数； 步骤S2.基于所述电池特征参数得到用于获得估计SOH的特征向量，并输入多通道卷积神经网络，对其进行特征提取，得到用于获得估计SOH的最终特征向量； 步骤S3.将所述用于获得估计SOH的最终特征向量输入预训练的非线性增强LSTM模型，经处理得到用于获得估计SOH的深层次特征； 步骤S4.基于所述电池数据，获取初始容量；基于所述用于获得估计SOH的深层次特征，通过计算得到测量容量，再结合所述初始容量，计算得到估计SOH； 步骤S5.从所述电池数据中获取历史SOH，再结合所述估计SOH，得到用于获得RUL的特征向量，并输入多通道卷积神经网络，对其进行特征提取，得到用于获得RUL的最终特征向量； 步骤S6.将所述用于获得RUL的最终特征向量输入预训练的非线性增强LSTM模型，经处理得到用于获得RUL的深层次特征； 步骤S7.基于所述电池数据，获取预测开始时电池的循环周期；基于所述用于获得RUL的深层次特征，通过计算得到达到寿命终点时电池的循环周期，再结合所述预测开始时电池的循环周期，计算得到RUL； 所述步骤S3和步骤S6中的预训练的非线性增强LSTM模型，指预先针对SOH和RUL训练好的非线性增强LSTM模型，包括遗忘门、输入门、输出门、隐藏层、记忆单元和最终输出；其中， 遗忘门的计算方式为ft＝σtanhct-1*Pf+WxfIt+Whfht-1+bf；其中，σ·为sigmoid函数，tanh·为tanh函数，t表示时刻，ct-1表示上一时刻细胞单元，Pf表示遗忘门窥视孔权重，Wxf表示遗忘门输入向量权重，It表示输入向量，Whf表示遗忘门上一时刻隐藏层权重，ht-1表示上一时刻隐藏层输出，bf表示遗忘门偏置，ft表示遗忘门输出； 输入门的计算方式为其中，Pi表示输入门窥视孔权重，it表示输入门输出； 输出门的计算方式为ot＝σtanhct*Po+WxoIt+Whoht-1+bo；其中，Po表示输出门窥视孔权重，Wxo表示输出门输入向量权重，Who表示输出门上一隐藏层权重，bo表示输出门偏置，ot表示输出门输出； 隐藏层计算方式为其中，ct表示t时刻细胞单元； 记忆单元的计算方式为其中，Wxx表示细胞单元输入向量权重，Whc表示细胞单元上一时刻隐藏层权重，bc表示细胞单元偏置； 最终输出的计算方式为y＝Wfullht；其中，Wfull表示t时刻隐藏层权重，y表示步骤S3得到的用于获得估计SOH的深层次特征或步骤S6得到的用于获得RUL的深层次特征，即预训练的非线性增强LSTM模型的最终输出。

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北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37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。