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一种多任务学习电池健康状态估计方法、系统及计算机设备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：CN120178079B 。

龙图腾网通过国家知识产权局官网在2026-03-20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：202510302405.9，技术领域涉及：G01R31/392；该发明授权一种多任务学习电池健康状态估计方法、系统及计算机设备是由陈杨;许恒;李翔翔;陆佳锰;孙晓燕;姚香娟;赵祉岳;王天娇;彭阳设计研发完成，并于2025-03-13向国家知识产权局提交的专利申请。

本一种多任务学习电池健康状态估计方法、系统及计算机设备在说明书摘要公布了：本发明提供了一种多任务学习电池健康状态估计方法、系统及计算机设备，涉及电池健康估计领域，包括获取涵盖不同种类电池和充放电协议的电池数据集并将电池数据集进行特征提取，得到特征数据集；具体包括特征数据集输入到共享层中，共享层的特征提取编码器将特征数据集转化为共享特征，利用多头注意力机制将共享特征表示转化为任务特定特征，利用任务特定特征完成电池健康度估计任务和预测置信度评估任务。本发明采用上述的一种多任务学习电池健康状态估计方法、系统及计算机设备，可以对不同种类及充放电协议的电池进行高精度的健康度预测；对未见特征数据预测提供置信度参考，提高SOH的预测可靠性。

本发明授权一种多任务学习电池健康状态估计方法、系统及计算机设备在权利要求书中公布了：1.一种多任务学习电池健康状态估计方法，其特征在于，包括以下步骤： 获取涵盖不同种类电池和充放电协议的电池数据集并将电池数据集输入深度神经网络中进行特征提取，得到特征数据集，将特征数据集输入到多任务学习模型中完成电池健康度估计任务和预测置信度评估任务，多任务学习模型包括共享层、物理信息神经网络、深度自编码高斯混合模型，具体包括 特征数据集输入到共享层中，共享层的特征提取编码器将特征数据集转化为共享特征，利用多头注意力机制将共享特征表示转化为任务特定特征，利用任务特定特征完成电池健康度估计任务和预测置信度评估任务；任务特定特征包括基于电压曲线段、电流响应模式、循环时间依赖性、长期退化趋势的特征； 在电池健康度估计任务中，利用物理神经网络模拟电池退化动态过程估计电池SOH；在预测置信度评估任务中，利用深度自编码高斯混合模型输出SOH预测的置信度； 特征数据集包括电池健康特征： 电池循环次数和从电流和电压曲线中提取的平均值、标准差、峰度、偏度、充电时间、累积电量、曲线斜率和曲线熵； 共享层的特征提取编码器将特征数据集转化为共享特征，特征提取函数： 其中：z代表共享表示；p代表电池数据集中的数据特征；代表多层感知机的结构参数； 通过多头注意力机制将共享特征表示转化为任务特定特征： 多头注意力机制包括四个头部，其中，第一个头部和第二个头部关注电压曲线段和电流响应模式，以捕捉电化学特性；第三个头部处理循环时间依赖性；第四个头部则通过历史容量变化关注长期退化趋势； 在电池健康度估计任务中，利用物理神经网络模拟电池退化动态过程估计电池SOH，物理信息神经网络包括特征-SOH预测网络和电池退化动态模拟网络，包括如下步骤： 特征-SOH预测网络通过多层神经网络结构，用于压缩处理任务特定特征，以捕捉电压-电流特征中的周期性模式和单调退化趋势，实现SOH的映射估计； 退化动态模拟网络通过具有同结构的神经网络，利用结构状态空间方程附加物理约束模拟SOH退化率，约束SOH的映射估计准确度； 在预测置信度评估任务中，利用深度自编码高斯混合模型输出SOH预测的置信度，深度自编码高斯混合模型包括压缩网络和估计网络，包括如下步骤： 压缩网络通过深度自编码器将输入的任务特定特征进行降维，利用解码器重构原始数据，从降维空间和重建误差特征中提取任务特定特征的低维潜在表示； 估计网络接收低维潜在表示，利用高斯混合模型对低维潜在表示密度分布建模，进行密度估计和能量计算，利用能量度量SOH预测的置信度； 压缩网络通过深度自编码器将输入的任务特定特征进行降维，利用解码器重构原始数据，从降维空间和重建误差特征中提取任务特定特征的低维潜在表示，包括： 通过深度自编码器利用多个非线性变换逐步减少特征的注意力加权，实现任务特定特征的降维； 解码器通过对称扩展层重建原始输入空间，实现原始特征数据的重构； 计算相对重建误差和特征相似性指标得到重构误差特征，并与降维空间的低维潜在表示共同构成完整的任务特定特征的低维潜在表示输入估计网络。

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 江苏省徐州市泉山区南郊翟山；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。