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！

龙图腾网获悉电子科技大学长三角研究院(衢州)申请的专利基于时序神经网络与物理信息神经网络融合的电池状态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：CN119986395B 。

龙图腾网通过国家知识产权局官网在2026-04-07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：202510280669.9，技术领域涉及：G01R31/367；该发明授权基于时序神经网络与物理信息神经网络融合的电池状态预测方法是由朱金奇;刘洋;丁岩;赵慧;宿通通设计研发完成，并于2025-03-11向国家知识产权局提交的专利申请。

本基于时序神经网络与物理信息神经网络融合的电池状态预测方法在说明书摘要公布了：本发明公开了一种基于时序神经网络与物理信息神经网络融合的电池状态预测方法，主要包括时序神经网络与物理信息神经网络的融合框架，首先利用时间序列神经网络挖掘各个时序状态的隐藏时序特征并预测电池的SOH和RUL，接着把挖掘的各时序状态的隐藏时序特征作为先验知识输入到TNPINN的深度隐藏时间序列物理模块DeepHTPM以引导该模块的学习过程，DeepHTPM同时还接收各个时间序列的电池容量以及时间序列神经网络预测的预测值作为输入，DeepHTPM模块根据这些输入共同建立电池健康状态预测的隐式物理模型，并将时间序列神经网络进行RUL或SOH的预测损失与隐式物理模型所得损失有效结合，作为最终的损失以约束模型。本发明方法能够用于各种负极材料的锂电池数据集SOH和RUL的预测。

本发明授权基于时序神经网络与物理信息神经网络融合的电池状态预测方法在权利要求书中公布了：1.一种基于时序神经网络与物理信息神经网络融合的电池状态预测方法，其特征在于，包括以下步骤： 1获取锂电池容量退化数据集； 2构建时间序列神经网络和物理信息神经网络的融合模型用于锂电池预测； 3利用时序神经网络对数据集中锂电池的时序数据进行处理，通过时间序列神经网络挖掘各个时序状态的隐藏时序特征；将挖掘到的各时序状态的隐藏时序特征作为先验知识，输入到融合模型的深度隐藏时间序列物理模块中，以指导深度隐藏时间序列物理模块的学习过程； 所述深度隐藏时间物理模块表达式为： 其中，表示第k个循环后的电池剩余容量xk对剩余容量un的变化率，DeepHTPM表示深度隐藏时间物理模块，表示时序神经网络的预测值；h′1,…,h′k-1,h′k+1,…,h′n-1分别表示和Φ是时序神经网络的可训练网络参数； 令Hx＝[h′1,…,h′k-1,h′k+1,…,h′n-1]T，DeepHTPM的参数通过最小化的预测值与真实值之间的均方误差损失来训练，表示为： 此外，定义函数fXn；θ,Φ： 其中表示u对x的一阶偏微分；将PDE残差的梯度作为一种损失对DeepHTPM进行约束；令表示Xn对fXn；θ；Φ的导数；PDE残差的梯度损失表示为： Lfx的极值应趋近于0，而当fX越接近0时则Lfx越接近极值；综合三种损失Lu、Lf和融合模型的总损失函数为： 其中λu，λf和代表不同损失在总损失中的权重，且 4深度隐藏时间序列物理模型同时接收各个时间序列的电池容量数据，时间序列神经网络预测的SOH或RUL预测值，以及时序神经网络挖掘的隐藏时序特征作为输入信息；深度隐藏时间序列物理模型根据输入信息构建用于电池健康状态预测的隐式物理模型；将RUL或SOH的预测损失、由隐式PDE获得的损失以及隐式PDE的梯度损失共同作为最终损失，用于约束和优化融合模型； 5引入贝叶斯优化算法，自动调整融合模型的初始超参数，以优化融合模型整体预测性能，提高模型收敛速度； 6利用优化后的融合模型，实现锂电池SOH和RUL的预测。

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电子科技大学长三角研究院(衢州)，其通讯地址为：324003 浙江省衢州市柯城区成电路1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。