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！

龙图腾网获悉合肥工业大学申请的专利一种锂电池联合健康状态估计与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：CN119556151B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202411777869.7，技术领域涉及：G01R31/367；该发明授权一种锂电池联合健康状态估计与寿命预测方法是由赖纪东;周晨光;苏志鹏;苏建徽;姚杰;施永;解宝设计研发完成，并于2024-12-05向国家知识产权局提交的专利申请。

本一种锂电池联合健康状态估计与寿命预测方法在说明书摘要公布了：本发明公开了一种锂电池联合健康状态估计与寿命预测方法，包括：1、在锂电池老化正常运行阶段，通过对所述锂电池进行脉冲测试，通过建立戴维南模型，预测锂电池的健康状态与剩余寿命；2、在锂电池进入深度老化阶段后，通过对所述锂电池进行EIS测试，得到阻抗谱数据，修正戴维南模型为可变阶RC模型；3、分别利用阻抗谱数据和可变阶RC模型辨识的参数进行深度老化阶段的健康状态估算，当两者的预测误差小于误差阈值时，认为成功建立得到适用于深度老化阶段的电池健康状态和剩余寿命预测模型，否则调整可变阶RC模型的阶数以减少误差。本发明能保证完整生命周期内锂电池寿命预测估计的可靠性，从而能有效降低测试工况的控制复杂度与成本。

本发明授权一种锂电池联合健康状态估计与寿命预测方法在权利要求书中公布了：1.一种锂电池联合健康状态估计与寿命预测方法，其特征在于，包括如下步骤： 步骤S1、在锂电池的老化正常运行阶段，通过建立戴维南模型，预测锂电池的健康状态与剩余寿命： 步骤S1.1、利用脉冲电流I对在老化正常运行阶段的待测的锂电池进行第k次脉冲测试，采集所述锂电池的电压、电流信号，从而得到锂电池的第k个电流采样序列和第k个电压采样序列，其中，表示所述锂电池施加充电脉冲的时刻，表示所述锂电池在充电脉冲结束后进行静置的时刻，表示所述锂电池在第k次脉冲测试的第n个时刻下的电流数据，表示所述锂电池在第k次脉冲测试的第m个时刻下的电流数据，表示所述锂电池在第k次脉冲测试的第n个时刻下的电压数据，表示所述锂电池在第k次脉冲测试的第m个时刻下的电压数据；M表示所述锂电池的测试时间； 步骤S1.2、对所述锂电池进行完全的充放电，检测得到所述锂电池在老化正常运行阶段的健康状态； 步骤S1.3、取第k个电压采样序列的前n个时刻的均值作为所述锂电池的第k个开路电压，利用第k个电压采样序列的第n个时刻的电压数据、第n+1个时刻的电压数据、第m个时刻的电压数据、第m+1个时刻的电压数据和所述脉冲电流I计算所述锂电池第k个直流内阻； 步骤S1.4、构建戴维南模型，并将第k个电流采样序列作为戴维南模型的输入，将第k个电压采样序列作为戴维南模型的输出，从而通过最小二乘法对戴维南模型进行第k次辨识，得到第k次辨识下戴维南模型中浓差极化环节对应的极化电阻、极化电容以及电化学极化环节对应的极化电阻、极化电容； 步骤S1.5、重复步骤S1.2-S1.4的过程，从而对所述锂电池进行K次老化测试和参数辨识，从而得到所述锂电池的健康状态序列以及每个健康状态对应的开路电压序列、直流内阻序列、浓差极化电阻序列、浓差极化电容序列、电化学极化电阻序列、电化学极化电容序列，其中，表示所述锂电池在老化正常运行阶段的第k个健康状态，表示所述锂电池在老化正常运行阶段的第k个开路电压，表示所述锂电池在老化正常运行阶段的第k个浓差极化电阻，表示所述锂电池在老化正常运行阶段的第k个电化学极化电阻，表示所述锂电池在老化正常运行阶段的第k个浓差极化电容，表示所述锂电池在老化正常运行阶段的第k个电化学极化电容； 步骤S1.6、将、、、、和作为神经网络的输入，将SOH作为神经网络的输出，从而对神经网络进行训练，得到所述锂电池在正常老化运行阶段的电池健康状态预测模型； 步骤S1.7、从SOH中按周期截取连续若干个健康状态序列数并作为时序神经网络的输入，将截取的每个健康状态序列的下一个的健康状态作为输出，从而对所述时序神经网络进行训练，得到锂电池剩余寿命（RUL）预测模型； 步骤S2、在锂电池进入深度老化阶段后，通过对所述锂电池进行EIS测试，得到阻抗谱数据，将所述戴维南模型改为可变阶RC模型，从而建立适用于深度老化阶段的电池健康状态预测模型： 步骤S2.1、对进入深度老化阶段的锂电池进行电化学阻抗测试，得到阻抗谱数据，包括：频率分布以及对应的阻抗实部和阻抗虚部，其中，表示第h个测试频率，表示第h个测试频率下的阻抗实部，表示第h个测试频率下的阻抗虚部； 步骤S2.2、基于阻抗谱数据，建立锂电池的弛豫时间分布模型，并采用正则化方法对DRT模型进行参数辨识，得到DRT分布函数，其中，表示弛豫时间常数； 步骤S2.3、基于阻抗谱数据，对戴维南模型进行修正，得到可变阶RC模型各个极化环节的极化电阻和极化电容： 步骤S2.4、对所述锂电池进行完全的充放电，检测得到所述锂电池在老化正常运行阶段的健康状态； 步骤S2.5、按照步骤2.1-步骤2.4的过程对深度老化阶段的锂电池进行K次老化测试和参数辨识，得到所述锂电池在深度老化阶段的健康状态序列、极化电阻序列、极化电容序列，其中，表示第k次测试中第阶极化环节的极化电阻,表示第k次测试中第阶极化环节的极化电容；为指定阶数； 步骤S2.6、将作为另一神经网络的输入，将锂电池在深度老化阶段的健康状态序列作为对应神经网络的输出，从而训练相应的神经网络，得到基于阻抗谱数据的电池健康状态模型； 步骤S2.7、将极化电阻序列和极化电容序列作为第三个神经网络的输入，将锂电池在深度老化阶段的健康状态序列作为第三个神经网络的输出，从而对第三个神经网络进行训练，得到锂电池在深度老化阶段的健康状态预测模型； 步骤S2.8、将基于阻抗谱数据的电池健康状态模型输出的健康状态预测值和锂电池在深度老化阶段的健康状态预测模型输出的健康状态预测值进行比较，得到预测误差； 步骤S2.9、当小于误差阈值时，则表示锂电池在深度老化阶段的健康状态预测模型适用于深度老化阶段的健康状态预测，否则，改变阶数后，重新按照步骤2.3的过程得到新的极化电阻和新的极化电容，并作为步骤S2.7中第三个神经网络的输入，并顺序执行，直到小于误差阈值为止。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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。