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！

龙图腾网恭喜华南理工大学申请的专利一种基于MTCN算法的电池剩余寿命预测的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：CN114660495B 。

龙图腾网通过国家知识产权局官网在2025-06-13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：202210103427.9，技术领域涉及：G01R31/392；该发明授权一种基于MTCN算法的电池剩余寿命预测的方法是由杨宁;余涛设计研发完成，并于2022-01-27向国家知识产权局提交的专利申请。

本一种基于MTCN算法的电池剩余寿命预测的方法在说明书摘要公布了：本发明公开了一种基于MTCN算法的电池剩余寿命预测的方法。所述方法包括以下步骤：获取电池数据集；构建多通道时间卷积网络模型；对电池数据集中数据进行预处理；对多通道时间卷积网络模型进行训练，得到训练完成的多通道时间卷积网络模型；采用多通道时间卷积网络模型进行剩余寿命预测。大多寿命预测方法均为点估计，本发明同样也是点估计，单一几个预测起点并不能充分说明预测性能的好坏，因此，本发明通过抽样赋予了不确定性表达的能力，从而使得预测结果更具有说服力，且更加具有参考意义。

本发明授权一种基于MTCN算法的电池剩余寿命预测的方法在权利要求书中公布了：1.一种基于MTCN算法的电池剩余寿命预测的方法，其特征在于，包括以下步骤： S1、获取电池数据集； 电池数据集指按照标准充放电测试配置文件开展恒压恒流充放电试验所获得的电池充放电历史监测数据，包括电压、电流和温度； S2、构建多通道时间卷积网络模型，包括以下步骤： S2.1、构建一维因果卷积网络； 使用一维全卷积神经网络构建时间卷积网络； 单层的一维全卷积神经网络的数学表达形式为： yt＝w1·xt+1-k+w2·xt+2-k+…wk·xt； 其中，k为第一层一维因果卷积网络卷积核的长度，其中，yt为经过单层一维全卷积神经网络后对应于t时刻的输出、wk为卷积核的第k个元素、xt+1-k为t时刻卷积核中第k个元素作用于输入时间序列中的对应值； S2.2、在一维因果卷积网络的基础上构建扩张卷积； 在单层的一维因果卷积网络的基础上进行网络的叠加，将上一层一维因果卷积网络的输出时间序列作为下一层一维因果卷积网络的输入，依次类推，从而构成深层网络；在前一层一维因果卷积网络的卷积核长度的基础上，将前一层一维因果卷积网络的卷积核的相邻两元素中间插入bi-1个0元素，从而构成了当前层的卷积核，其长度为bi-1·k-1+k，其中b为基准膨胀因子，i为直至当前层一维因果卷积网络所堆叠的深度即一维因果卷积网络的层数，k为第一层一维因果卷积网络卷积核的长度，通过扩张卷积，迅速扩大当前层一维因果卷积网络的感受野即当前层一维因果卷积网络的对应的输入元素的长度； 而感受野w则为： 其中，d＝bi；d为膨胀因子；b为基准膨胀因子；n为一维因果卷积网络的层数；基准膨胀因子b和第一层一维因果卷积网络卷积核的长度k的取值须满足以下不等式： 从而求得构成深层时间卷积网络所需的最小一维因果卷积网络层数n为： 式中，代表向上取整； 为了保证时间卷积网络的输出具有和时间卷积网络的输入相同的长度，时间卷积网络的输入是指输入每一层时间卷积网络的时间序列，时间卷积网络的输出是指每一层时间卷积网络的输出时间序列，还需要引入填充操作padding，在输入每层时间卷积网络的时间序列左右两侧补充bi·k-1个0元素，但此时时间卷积网络所输出的时间序列长度并不等于填充操作前的输入序列长度，需要采用除去输入该层时间卷积网络的时间序列的右侧填充部分，即可保证该层时间卷积网络的输出与该层时间卷积网络的输入填充前的长度相同； S2.3、进行残差连接； 一个残差块包括两条并行的支路，即残差支路和直接映射支路： 其中，残差支路由卷积核尺寸和膨胀因子相同的两层一维因果卷积网络和非线性映射构成： 为了规范化隐含层即除第一层时间卷积网络层和最后一层时间卷积网络层以外的其他中间时间卷积网络层的输入，通过重参数化，从而将权值规范化应用于每一个一维因果卷积网络； 在残差支路中的两层一维因果卷积网络的顶部分别添加激活函数来引入非线性，在残差支路中的两层一维因果卷积网络后分别添加ReLU激活； 在每个残差块的每个一维因果卷积网络之后通过随机丢弃操作dropout引入正则化； 则残差支路包括串联连接的一维因果卷积网络、权值规范化、非线性激活、随机丢弃、一维因果卷积网络、权值规范化、非线性激活和随机丢弃，数学表达形式记为Fx； 对于直接映射支路，顾名思义将输入直接映射到输出，通过引入1×1卷积从而保证两个张量的形状相同； 残差块定义为： y＝activationFx+x 其中，y为残差块的输出向量，Fx为待学习的残差映射，x为输入向量，Fx+x则体现了残差连接； S2.4、构建多通道时间卷积网络模型； S3、对电池数据集中数据进行预处理； S4、对多通道时间卷积网络模型进行训练，得到训练完成的多通道时间卷积网络模型； S5、采用多通道时间卷积网络模型进行剩余寿命预测。

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华南理工大学，其通讯地址为：510640 广东省广州市天河区五山路381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”。