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！

龙图腾网获悉河北工业大学申请的专利基于深度学习的锂电池荷电状态与健康状态联合估计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：CN116298914B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202310270833.9，技术领域涉及：G01R31/367；该发明授权基于深度学习的锂电池荷电状态与健康状态联合估计方法是由李孟涵;李超然;张强;饶中浩;刘晓日;张铁臣设计研发完成，并于2023-03-20向国家知识产权局提交的专利申请。

本基于深度学习的锂电池荷电状态与健康状态联合估计方法在说明书摘要公布了：本发明公开了一种基于深度学习的锂电池荷电状态与健康状态联合估计方法。本发明充分考虑锂电池自放电效应，采用改进的安时积分法来对SOC和SOH进行计算，除去自放电量的影响，大大提高了SOC和SOH的计算准确，提高了训练数据的精确度，从而提升了SOC和SOH估计的准确性。将TCN‑LSTM神经网络模型首次应用到锂电池的荷电状态与健康状态联合估计上，相较于其他模型具有更高的准确率。利用贝叶斯优化算法对TCN‑LSTM神经网络模型超参数进行优化，以减少人力成本并提高模型性能。采用卡尔曼滤波对估计结果进行平滑操作，降低了结果的波动，提高SOC与SOH估计精度。

本发明授权基于深度学习的锂电池荷电状态与健康状态联合估计方法在权利要求书中公布了：1.一种基于深度学习的锂电池荷电状态与健康状态联合估计方法，其特征在于，该方法包括以下步骤： 步骤1、建立SOC估计模型和SOH估计模型，并分别对模型进行离线训练，得到训练好的SOC估计模型和SOH估计模型； S101、确定锂电池的额定容量； S102、设置环境温度，将锂电池静置在环境中至锂电池温度稳定，记录静置时间Tr；再分别根据不同的功率配置曲线对锂电池进行充电或放电操作，直至锂电池电压达到充电截止电压或放电截止电压，至此完成每种功率配置曲线下的各自的一次充电循环或放电循环；每一个充电循环和放电循环均包括若干个时间步；在电池的充电循环或放电循环过程中，以所需频率对锂电池的数据进行采集，得到一个充电循环的充电数据或一个放电循环的放电数据，充电数据和放电数据中均包括多步的电压、电流和温度三个参数数据；再根据充电数据和放电数据使用改进的安时积分法计算SOC和SOH； 改进的安时积分法的计算公式如式2所示： 式2中，Cmax为锂电池当前最大可用容量；δ为锂电池每三十天的自放电率； 根据式2可以得到SOC的计算公式如式3所示： 根据式2可以得到SOH的计算公式如式4所示： 式4中，CT为锂电池一个充电循环或放电循环的电量；Cori为锂电池的额定容量； S103、根据锂电池允许的最高充放电倍率进行一个充放电周期，期间不进行任何数据采集；每个充放电周期包括若干次充电循环和放电循环过程； S104、重复S102和S103，直至锂电池的SOH降至80％，完成所有循环的充电数据和放电数据的采集； S105、对用于SOH估计的充电数据和放电数据进行等长采样，使数据长度相等； S106、搭建EMD模块；再使用EMD法分别对所有参数数据进行分解，分解为分量，以实现降噪；再将使用后的EMD模块保存为EMD降噪工具； S107、建立相关性分析模块对S106得到的所有分量分别与SOC和SOH进行相关性分析，得到相关性最高的分量；再使用相关性最高的分量对应代替所有循环中的参数数据，得到SOC估计数据和SOH估计数据；再将使用后的相关性分析模块保存为相关性分析工具； S108、对S107的SOC估计数据和SOH估计数据进行归一化，得到SOC估计数据集和SOH估计数据集，并记录归一化过程中每个参数数据的最大值xmax和最小值xmin S109、数据集划分：将S108得到的SOC估计数据集和SOH估计数据集分别划分为各自的训练集与测试集； S110、贝叶斯超参数优化：搭建两个TCN-LSTM神经网络模型，得到SOC估计神经网络模型和SOH估计神经网络模型分别用于SOC估计和SOH估计；设定两个模型的输入、输出形式以及每个超参数的取值范围，并使用贝叶斯优化算法来实现模型超参数的自适应优化，得到SOC估计模型及SOH估计模型的最佳超参数； S111、分别训练SOC估计模型和SOH估计模型： 以S110中的SOC估计模型输入形式将SOC估计训练集数据输入到SOC估计模型中进行训练；然后利用SOC估计测试集数据对训练所得模型进行测试，并根据精度需求设置阈值；若测试误差＞阈值，则返回S110进行重新训练；若测试误差≤阈值，则得到训练好的SOC估计模型； 同理，得到训练好的SOH估计模型； 步骤2、基于步骤1得到的训练好的SOC估计模型和SOH估计模型，对SOC与SOH进行在线估计； S201、信号监测：使用传感器对锂电池的电压、电流和温度信号进行监测； S202、信号采集：对于用于SOC估计的数据，根据所需频率对循环中的每个时间步的电压、电流和温度这三个参数数据进行采集；对于用于SOH估计的数据，每经过一个充放电周期，根据所需频率对电压、电流和温度这三个参数数据进行采集； S203、对用于SOH估计的充电数据和放电数据按照S105的数据长度进行等长采样； S204、以S106的EMD降噪工具对采集的电压、电流和温度这三种参数数据进行分解，分解为分量，以实现降噪； S205、使用S107的相关性分析工具对S204分解所得所有分量分别与SOC和SOH进行相关性分析，得到相关性最高的分量；再使用相关性最高的分量对应代替所有循环中的参数数据，得到SOC估计数据和SOH估计数据； S206、对S205的SOC估计数据和SOH估计数据采用S108中的最大值xmax和最小值xmin进行归一化，得到归一化后的SOC估计数据和归一化后的SOH估计数据； S207、SOH和SOC估计： 将归一化后的SOC估计数据以S110的SOC估计模型输入形式输入到S111的训练好的SOC估计模型中，得到SOC估计模型的输出；再使用S108中的最大值xmax和最小值xmin将SOC估计模型的输出进行反归一化，得到SOC估计值； 同理，得到SOH估计值； S208、分别对SOC估计值和SOH估计值进行平滑处理，滤除SOC估计值和SOH估计值的瞬时波动性，得到当前时间步的SOC平滑估计值SOCm和当前充放电周期的SOH真实值 S209、SOH更新：首次SOH更新是以第一个充放电周期的SOH真实值替换SOH初始值，后续SOH更新是以当前充放电周期的SOH真实值替换上一个充放电周期的SOH真实值来进行SOH更新；n表示第n个充放电周期； S210、SOC更新：首先根据S208得到的当前时间步的SOC平滑估计值SOCm通过式11计算得到当前时间步的SOC真实值再进行SOC更新；其中，首次SOC更新是以当前时间步的SOC真实值替换S208得到的当前时间步的SOC平滑估计值SOCm，后续SOC更新是以当前时间步的SOC真实值替换上一时间步SOC估计真实值

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河北工业大学，其通讯地址为：300130 天津市红桥区丁字沽光荣道8号河北工业大学东院；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。