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基于随机量化数据增强的电池健康状态智能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：CN119335407B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202411461342.3，技术领域涉及：G01R31/367；该发明授权基于随机量化数据增强的电池健康状态智能预测方法是由李响;林永鑫;雷亚国;李乃鹏;杨彬;冯珂;曹军义;武通海设计研发完成，并于2024-10-18向国家知识产权局提交的专利申请。

本基于随机量化数据增强的电池健康状态智能预测方法在说明书摘要公布了：一种基于随机量化数据增强的电池健康状态智能预测方法，首先通过BMS获取现有电池充电数据，并对数据进行线性插值降采样操作，以统一其长度，进而构建原始训练集和测试集；随后，构建随机量化器，并使用随机量化器对原始训练集数据进行随机量化，生成增强数据，并将得到的增强数据与原始训练集数据相结合，形成增强训练集；接着，将增强前与增强后的数据集分别输入到SOH预测模型，分别计算两者的测试损失平均值并进行比较，若增强后的测试损失小于增强前的损失，则验证基于随机量化数据增强的电池健康状态智能预测方法的有效性；本发明方法能够有效解决电池数据有限情况下的SOH估计问题。

本发明授权基于随机量化数据增强的电池健康状态智能预测方法在权利要求书中公布了：1.一种基于随机量化数据增强的电池健康状态智能预测方法，其特征在于，包括以下步骤： 步骤1：通过BMS获取现有电池充电数据，包括电压数据Vn,k,1,…,Vn,k,i,…,Vn,k,l，电流数据In,k,1,…,In,k,i,…,In,k,l，以及其对应的时间序列为Tn,j,1,…,Tn,k,i,…,Tn,k,l，其中，i∈1,…,l，表示第n个电池第k次充电循环的第i个数据点； 步骤2：将步骤1中获取得到的现有电池充电数据进行线性插值降采样操作，将所有电池的电压数据、电流数据以及时间序列数据均降采样到相同数据长度l'； 其中，ip'代表采样点的位置，Vn,k,p,In,k,p,Tn,k,p代表降采样后第n个电池第k次循环第p个采样点值的大小，Vn,k,u,In,k,i,Tn,k,i代表降采样前第n个电池第k次循环第i个值的大小，其中i为ip'向下取整得到的值，i+1为ip'向上取整得到的值，即步骤3：构建线性插值降采样处理后的电压、电流、时间样本数据集On＝{On,1,On,2,On,3,···On,k,···On,K}，其中，On,k代表第n个电池的第k次循环，On,k＝Vn,k,In,k,Tn,k，即每一个样本包含三个通道，三个通道分别存储电压数据Vn,k和电流数据In,k以及时间数据Tn,k，Vn,k,In,k,Tn,k均由l'个数据点组成；并划分原始训练集Train和测试集Test，选择一个电池数据作为测试集Test，其他电池数据用于原始训练集Train； 步骤4：构建随机量化器，随机量化器将每个通道中的数据进行动态量化，量化值从随机划分的区间中进行随机采样；具体为： 4.1确定随机量化划分的区间数目m和量化区间，获取每个通道的最小值minx和最大值maxx，在区间minx,maxx内进行均匀分布的m次随机抽样获得aj'，并将其按照从小到大的顺序进行排列获得a0,a1,a2,…am‑1，得到量化区间Sj＝[aj,aj+1； Sj＝[aj,aj+1a0,a1,a2,…am‑1＝sorta0',a1',a2',…am‑1'aj'＝Uminx,maxx,j＝0,1,2,…,m‑14.2将不同量化区间内的所有值映射为单个值yj，yj代表在相应的区间内均匀分布的随机抽样： yj＝Uaj,aj+14.3将不同量化区间内量化得到的标量yj组合起来，并将处理后的数据恢复为原始数据的形状； 步骤5：确定分割区间数目m，使用随机量化器对原始训练集Train进行随机量化，每个样本中的电压数据、电流数据、时间数据信息均被有效保留，生成增强后的样本，得到生成训练集Train'，并将原始训练集Train以及经随机量化增强后生成的生成训练集Train'进行合并，得到增强训练集trainaug＝Train∪Train'； 步骤6：构建电池健康状态SOH预测模型，电池健康状态SOH预测模型基于ResNet网络架构，包括三个以上的残差块和一个预测器，每个残差块包含两层卷积层，并在卷积层后接入批归一化Batch Normalization和ReLU激活函数；最后通过两层全连接层的预测器，将残差块提取的特征映射为一个标量，用于输出电池的健康状态SOH； 步骤7：分别将原始训练集Train和增强训练集Trainaug＝Train∪Train'分别输入电池健康状态SOH预测模型，获取SOH预测结果，并计算预测结果与实际结果之间的损失；损失函数采用MSE损失函数，优化器采用Adam优化器，分别记录增强前训练损失Trainpre、增强前测试损失Testpre以及增强后训练损失Trainpos、增强后测试损失Trainpos； 步骤8：分别计算最后e次增强前训练损失Trainpre、增强前测试损失Testpre与增强后训练损失Trainpos、增强后测试损失Testpos的平均值，分别得到aveTrainpree、aveTestpree、aveTrainpose、aveTestpose，e表示设定的次数，若满足以下条件： aveTestpreeaveTestpose则说明基于随机量化数据增强的电池健康状态智能预测方法有效，能够较好解决电池数据有限情况下的SOH估计问题；若不满足，重新设定步骤6中的分割区间数目m，重复步骤7‑步骤9，直至满足aveTesrpreeaveTesrpose。

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。