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！

龙图腾网获悉广东工业大学申请的专利一种基于预训练融合多源数据的锂电池SOH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：CN119397473B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202411496744.7，技术领域涉及：G06F18/25；该发明授权一种基于预训练融合多源数据的锂电池SOH估计方法是由黄子鸿;陈思哲;董楚煜;袁浩亮;柯子维;杨苓设计研发完成，并于2024-10-25向国家知识产权局提交的专利申请。

本一种基于预训练融合多源数据的锂电池SOH估计方法在说明书摘要公布了：本发明公开一种基于预训练融合多源数据的锂电池SOH估计方法，该方法包括：采集恒压充电电流数据和电化学阻抗谱数据；数据预处理并形成数据集；构建预训练任务1，通过编码器1和编码器2输出两种特征，根据特征片段之间的余弦相似度构造任务1的损失函数loss1；构建预训练任务2，分别随机对两种特征的片段掩码，通过编码器3输出融合特征，搭建两个解码器重构掩码片段，得到重构损失loss2和loss3，基于相关性加权得到任务2的损失函数loss4；将编码器冻结与估计器组成SOH估计模型；在线估计SOH。本发明通过两个预训练任务使编码器可充分融合两种数据老化信息，精确估计锂电池SOH。

本发明授权一种基于预训练融合多源数据的锂电池SOH估计方法在权利要求书中公布了：1.一种基于预训练融合多源数据的锂电池SOH估计方法，其特征在于，具体步骤如下： S1：锂电池老化实验数据采集，即通过对多个锂电池按照恒流-恒压充电、恒流放电的方式进行循环充放电实验，在每个充放电循环中，在恒压充电阶段连续采集恒压充电电流数据，在充电结束后将锂电池静置15分钟之后采集0.02Hz-20kHz频率区间的电化学阻抗谱数据，在放电结束后计算锂电池在本循环的SOH值； S2：数据预处理与数据集构建，即对步骤S1所述的恒压充电电流数据和电化学阻抗谱数据进行数据清洗，根据恒压充电电流数据计算差分电流数据，具体计算方法如下： dIn＝In+1-In 其中，dIn表示第n个时间采样点的差分电流数据，In表示第n个时间采样点的恒压充电电流数据； 根据恒压充电电流数据及差分电流数据，构建电流矩阵XCV，具体如下： 其中，p是所采集的恒压充电电流数据的总个数； 根据电化学阻抗谱数据中所有阻抗的实部和虚部，构建电化学阻抗谱矩阵XEIS，具体如下： 其中，Rem和Imm分别表示第m个频率采样点对应阻抗数据的实部和虚部，u是所采集的阻抗数据的总个数； 将电流矩阵XCV按时间维度平均划分为N个子矩阵，则电流矩阵XCV可表述为： 其中，XCV,i表示第i个电流子矩阵，其维度为Lcv×2，Lcv为该子矩阵对应的采样点数量； 将电化学阻抗谱矩阵XEIS按频率维度平均划分为M个子矩阵，则电化学阻抗谱矩阵XEIS可表述为： 其中，XEIS,j表示第j个电化学阻抗谱子矩阵，其维度为Leis×2，Leis为该子矩阵对应的采样点数量； 将上述经过子矩阵划分的电流矩阵和电化学阻抗谱矩阵分别定义为和将和构成无标签数据集并结合步骤S1所述的SOH构成有标签数据集 S3：构建预训练任务1，即搭建编码器1和编码器2，将步骤S2所述的输入到编码器1，由编码器1输出恒压电流特征HFCV，将步骤S2所述的输入到编码器2，由编码器2输出EIS特征HFEIS，计算HFCV中每个特征片段与HFEIS中每个特征片段之间的余弦相似度，并构造一种兼顾所有余弦相似度的损失loss1作为预训练任务1的损失函数，使用步骤S2所述的无标签数据集D1训练编码器1和编码器2，训练完成后保存编码器1和编码器2的权重参数，将无标签数据集D1输入到训练完成的编码器1和编码器2，得到特征集 S4：构建预训练任务2，即从步骤S3所述的特征HFCV和HFEIS中，分别随机选取一个特征片段进行掩码，将掩码后的两个特征进行拼接，之后输入到基于自注意力机制的编码器3，由编码器3输出包括和的融合特征矩阵，其中是融合了EIS特征老化信息的恒压电流特征，是融合了恒压电流特征老化信息的EIS特征，搭建解码器1和解码器2，将输入到解码器1中，对HFCV被掩码的片段进行重构，将输入到解码器2中，对HFEIS被掩码的片段进行重构，从而构造出恒压电流特征的掩码重构损失loss2和EIS特征的掩码重构损失loss3，根据步骤S2所述的经过数据清洗后的恒压充电电流数据、电化学阻抗谱数据与SOH的相关性得分，对loss2、loss3进行加权计算得到loss4，将loss4作为预训练任务2的损失函数，使用步骤S3所述的特征集F训练编码器3、解码器1和解码器2，训练完成后保存编码器3、解码器1和解码器2的权重参数； S5：构建并训练SOH估计模型，该模型包括编码器模块和估计器，即将步骤S3所述的编码器1、编码器2和步骤S4所述的编码器3共同构成编码器模块，并将步骤S3获得的编码器1、编码器2和步骤S4获得的编码器3的权重参数冻结，在编码器模块后面搭建待训练的估计器，用于建立步骤S4所述的和组成的融合特征矩阵与SOH值的映射关系，将步骤S2所述的有标签数据集D2划分为训练集和测试集，对包含编码器模块和估计器的SOH估计模型进行训练和测试，若测试结果满足精度要求则保存SOH估计模型； S6：在线估计锂电池SOH，即在锂电池实际充放电循环中，采集恒压充电电流数据和电化学阻抗谱数据，按照步骤S2的方法对恒压充电电流数据和电化学阻抗谱数据进行数据预处理后，输入到步骤S5所述的SOH估计模型中输出SOH估计值。

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广东工业大学，其通讯地址为：510006 广东省广州市番禺区小谷围街道广东工业大学；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。