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！

龙图腾网获悉中国矿业大学申请的专利基于贝叶斯物理信息神经网络的电池退化模型构建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：CN120611641B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202511114278.6，技术领域涉及：G06F30/27；该发明授权基于贝叶斯物理信息神经网络的电池退化模型构建方法是由陈杨;许恒;彭阳;李翔翔;陆佳锰;王天娇;蒋达;李扬;丁宇;董犇设计研发完成，并于2025-08-11向国家知识产权局提交的专利申请。

本基于贝叶斯物理信息神经网络的电池退化模型构建方法在说明书摘要公布了：本发明公开了基于贝叶斯物理信息神经网络的电池退化模型构建方法，包括以下步骤：基于电池老化机制，构建伪二维电池数据生成模块；设计特征提取网络提取IC特征参数；构建老化参数映射网络刻画IC特征参数与电池老化参数的关系；通过参数随机化的方式，构建贝叶斯电池健康状态推断网络。本发明采用上述基于贝叶斯物理信息神经网络的电池退化模型构建方法，在实现IC特征与老化参数显式映射的同时，利用电池内部的电化学方程构建物理残差约束，使电池退化模型具备较高的物理可解释性，避免黑箱模型的风险；通过基于随机参数分布建模的贝叶斯框架，量化模型建模过程中的不确定性，从而实现模型预测的置信度量化，支持风险敏感型决策。

本发明授权基于贝叶斯物理信息神经网络的电池退化模型构建方法在权利要求书中公布了：1.基于贝叶斯物理信息神经网络的电池退化模型构建方法，其特征在于，包括以下步骤： 步骤S1、基于电池老化机制，构建伪二维电池数据生成模块，生成电池退化模型的训练数据； 步骤S2、设计特征提取网络，用于从电压-容量曲线中提取IC特征参数； 步骤S3、构建老化参数映射网络，用于刻画IC特征参数与电池老化参数的关系； 步骤S4、通过参数随机化的方式，构建贝叶斯电池健康状态推断网络，其输入为电池老化参数，输出为电池SOH的概率分布； 步骤S5、对所构建的电池退化模型进行训练，利用Butler-Volmer方程和扩散方程设计损失函数，为老化参数映射网络附加物理约束，使用随机梯度变分贝叶斯方法，实现贝叶斯神经网络参数的后验分布估计，最终得到电池退化模型，具体过程包括： 步骤S51、数据预处理； 步骤S52、优化算法； 步骤S53、设置训练参数； 其中，在步骤S52中，进行优化算法的具体过程如下： 步骤S521、基于贝叶斯推断定理，使用变分推断构造由一组参数参数化的变分分布，用于拟合要估计的后验分布； 其中，基于贝叶斯推断定理拟合的后验分布为： ； 其中，为证据归一化因子，似然函数与先验分布的乘积在空间上的积分；为先验分布；为要估计的后验分布； 使用的变分分布为均值场高斯分布，如下所示： ； 其中，为网络节点参数分解后的为多个独立子变量；为变分分布的均值参数；为变分分布的方差参数； 步骤S522、以最大化证据下界ELBO的方式作为后验分布拟合的优化目标，即最小化负ELBO，如下所示： ； ； 其中，代表在变分分布下，数据似然的对数期望；KL代表变分分布与先验分布的KL散度；表示联合概率分布； ； 其中，代表先验分布的标准差；代表变分分布的标准差；代表先验分布的均值；代表变分分布的均值； 步骤S523、使用随机梯度变分贝叶斯方法，通过重参数化技巧计算梯度，具体包括： 首先，将表示为确定性函数：； 其中，为逐元素乘法，为标准高斯噪声；为通过重参数化生成的随机参数向量；为变分分布的均值；为变分分布的标准差； 然后，估计梯度，如下所示： ； 其中，表示总采样次数；，表示第次采样的参数；={}为变分参数；表示给定参数时数据的概率；表示变分分布在的概率密度；表示参数的先验概率密度； 步骤S524、以最小化负ELBO作为损失计算方法，利用反向传播算法进行梯度更新，最终将损失收敛时的变分分布作为后验分布的近似。

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中国矿业大学，其通讯地址为：221116 江苏省徐州市铜山区大学路1号中国矿业大学南湖校区；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。