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！

龙图腾网获悉重庆邮电大学申请的专利基于联合加权域对抗网络的锂电池健康状态估计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：CN116027198B 。

龙图腾网通过国家知识产权局官网在2026-03-27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：202211563671.X，技术领域涉及：G01R31/367；该发明授权基于联合加权域对抗网络的锂电池健康状态估计方法是由李鹏华;单康恒;李皃;朱得臣;余江设计研发完成，并于2022-12-05向国家知识产权局提交的专利申请。

本基于联合加权域对抗网络的锂电池健康状态估计方法在说明书摘要公布了：本发明涉及基于联合加权域对抗网络的锂电池健康状态估计方法，属于新能源技术领域。该方法包括以下步骤：S1：不同时间序列间的相似性评估；S2：进行堆叠双向长短时记忆神经网络的特征提取，然后基于改进域对抗网络的锂电池荷电估计，最后基于InfoNCE模块的特定信息保留。本发明针对锂离子电池标签数据获取难度大、实验流程复杂、环境试验多样等问题，实现锂离子电池数据信息之间的共享；在面对多种电池测试流程和多种电池老化试验条件场景下，考虑如何实现自动提取优良老化特征的同时，提高锂离子电池健康状态预测的准确性。在一定程度上弥补数据信息不充足的限制，对实现复杂环境下的锂离子电池健康状态预测是十分有意义的。

本发明授权基于联合加权域对抗网络的锂电池健康状态估计方法在权利要求书中公布了：1.基于联合加权域对抗网络的锂电池健康状态估计方法，其特征在于：该方法包括以下步骤： S1：不同时间序列间的相似性评估； S2：进行堆叠双向长短时记忆神经网络的特征提取，基于联合加权域对抗网络进行锂电池健康状态估计，最后基于信息噪声对比估计Info—NCE模块保留特定信息；具体为： S21：使用锂电池电流、电压和采样时间序列作为模型输入，采用三层双向长短时记忆神经网络，全连接层和退化层构成回归神经网络模型，利用长短期记忆神经网络特征提取器将多元时间序列表示为单向量隐式表示，LSTM网络表示为多个顺序前馈层； 通过组合一个从前向循环LSTM和后向隐藏LSTM，从而将生成的前向隐藏状态和后向隐藏状态一起传递给输出： 3 4 5 其中t为当前时刻，是当前时刻的输入，是当前时刻的输出，是前向传播的神经网络权重，是反向传播的神经网络权重；的输入为当前时刻，前向前一时刻的隐藏单元，反向前一时刻的隐藏单元，以及前一时刻的记忆单元，当前时刻的记忆单元，输出为当前时间步长更新后的和； S22：加权域对抗网络优化三个部分：特征提取器f的参数，第一个域判别器和第二个判别器；采用源域数据集特征与目标域数据集特征，训练域类别识别网络，得到源域数据集中源域样本的重要性权重，根据重要性权重得到归一化的源域样本的重要性权重；采用对抗博弈策略依次迭代训练域分类器与重要性加权域对抗自适应网络，直至所有的网络参数收敛；加权域自适应算法构想如下：对两个不同工况的电池数据进行预处理，得到源域训练数据集与目标域训练数据集，通过特征提取器得到输入信号的特征，域类别识别网络的损失函数表示为： 6 函数为求取源域样本的均值；为求取目标域样本的均值；为归一化网络样本的域类别标签预测概率向量；为鉴别器网络；为生成器网络；为原始数据的总样本数；为每个样本的编号；为每个样本的特征数据；表示第个样本的二元标签，用于表示这个样本属于源域还是目标域；是对抗网络训练损失； 通过构造一个新的数据集，源样本标记为1目标样本标记为0： 7 源域样本的重要性权重被设计为： 8 函数表示将输入映射到0,1之间；代表域分类器的网络参数；为源特征提取器的输出； 归一化的源域样本的重要性权重为： 9 是源域样本数据； 使用经过加权的源域样本和目标样本进行训练，得到域类别标签预测的结果： 10 是目标特征提取器的输出； 对于给定的和D，每个样本，加权对抗网络的优化器表示为： 11 为归一化网络样本的域类别标签预测概率向量；代表域分类器的网络参数；最终可以得到整个网络的优化目标； S23：在采用目标特征提取器作用在当前时刻的输入后得到相应的特征，即目标特征提取器的输出特征，为保留域对齐任务期间特定于目标的特性，最大化和之间的互信息，在每个时间步长处定义一个密度比函数： 12 通过最大化目标特征提取器的输出特征和当前时刻的输入之间的相互作用，保留他们之间的共同潜变量；为计算，使用一个全连接网络映射目标特征提取器的输出特征和当前时刻的输入到相同的维数；通过对变换后的特征向量与原始输入向量进行点积估计得到密度比；为最大化密度比函数，联合优化目标特征提取器和全连接网络对比估计损耗；InfoNCE损失通过对比正负样本，使互信息最大化，噪声对比估计损失NCEloss的最佳概率被表示为： 13 表示在给定条件下的概率分布； 最终将互信息形式表示为： 14 是第k个时间步的原始输入，是全连接神经网络的输入特征，是一个点积操作，K是一个总的时间步，通过模型训练的过程不断减少NCEloss，找到最大化互信息的最优解，获得最佳网络模型； 最终优化方案表示为： 15 从上述特征提取器提取的特征被放入多层全连接网络中，采用端到端方法来使用预测SOH和实际SOH之间的均方误差损失进行训练： 16。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2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。