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！

龙图腾网恭喜华中科技大学无锡研究院申请的专利基于特征筛选的锂电池寿命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：CN111832221B 。

龙图腾网通过国家知识产权局官网在2023-09-26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：202010579479.4，技术领域涉及：G06F30/27；该发明授权基于特征筛选的锂电池寿命预测方法是由袁烨;马贵君;华丰;丁汉设计研发完成，并于2020-06-23向国家知识产权局提交的专利申请。

本基于特征筛选的锂电池寿命预测方法在说明书摘要公布了：本发明提供一种基于特征筛选的锂电池寿命预测方法，包括以下步骤：步骤S1，将采集的锂电池数据划分为训练集和测试集；训练集和测试集中均包括多个样本；步骤S2，对训练集和测试集中的锂电池样本的前m个充放电循环中放电SOC进行两两不重复相减；m20；步骤S3，将每个锂电池的SOC相减结果求得方差，得到每个锂电池的特征；步骤S4，将训练集中训练样本的特征和寿命输入到带有ARD的高斯过程回归模型进行模型训练；步骤S5，将所述训练的模型的稀疏特征权重进行可视化；步骤S6，将测试集中的样本的特征输入到训练模型中进行寿命预测。本发明能够自动提取高相关性特征，使得锂电池寿命预测更准确。

本发明授权基于特征筛选的锂电池寿命预测方法在权利要求书中公布了：1.一种基于特征筛选的锂电池寿命预测方法，其特征在于，包括以下步骤：步骤S1，将采集的锂电池数据划分为训练集和测试集；训练集和测试集中均包括多个样本；步骤S2，对训练集和测试集中的锂电池样本的前m个充放电循环中放电SOC进行两两不重复相减；m＞20；步骤S3，将每个锂电池的SOC相减结果求得方差，得到每个锂电池的特征；步骤S4，将训练集中训练样本的特征和寿命输入到带有ARD的高斯过程回归模型进行模型训练；步骤S5，将所述训练的模型的稀疏特征权重进行可视化；步骤S6，将测试集中的样本的特征输入到训练模型中进行寿命预测；步骤S2中，SOC的维度为500～1000；步骤S3中，特征维度为训练集中k个训练样本的方差特征和寿命分别表示为Xtrain＝[x1，x2，...，xk]，Ytrain＝[y1，y2，...，yk]，其中第i个训练样本的特征xi表示为：xi＝[xi1，xi2，...，xiM]T；步骤S4包括：步骤S4.1，高斯过程回归指有限个随机变量服从联合高斯分布fx，其中第i个样本的寿命分布表示为： 其中xi和xj是任意两个锂电池样本，mxi是均值函数，kxi，xj是协方差函数，具体表示为：mxi＝Efxikxi，xj＝E[mxi-fximxj-fxj]步骤SS4.2，设置mxi为0，kxi，xj选用Matérnv＝52核函数，带有ARD功能的Matérn核函数具体表示为： 其中lp为第p个特征的长度表示，σc是一个超参数；步骤S4.3，对于真实的应用场景，真实的寿命yi是预测寿命与高斯噪声εi的和： 即所有样本服从： 其中KXtrain，Xtrain＝kxi，xjk×k，IN为单位矩阵，经过训练与极大似然估计，得到参数[σc，lp，σn]值；步骤S5包括：步骤S5.1，特征权重计算公式如下： 步骤5.2，将所有特征权重进行最大最小归一化；步骤S6包括：步骤S6.1，得到训练样本和测试样本的联合分布： 其中Y*为测试集中测试样本的寿命，X*为测试样本的特征；步骤S6.2，测试样本的寿命Y*的后验分布： 其中是预测的测试样本的寿命的均值； 是预测的协方差：

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中科技大学无锡研究院，其通讯地址为：214174 江苏省无锡市惠山区堰新路329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”。