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！

龙图腾网获悉重庆理工大学申请的专利一种基于电化学模型和机器学习的储能电池SOH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：CN120009733B 。

龙图腾网通过国家知识产权局官网在2025-11-18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：202510086085.8，技术领域涉及：G01R31/367；该发明授权一种基于电化学模型和机器学习的储能电池SOH估计方法是由汤爱华;胡雯爔;许煜辰;李粤涵;赵子奇设计研发完成，并于2025-01-20向国家知识产权局提交的专利申请。

本一种基于电化学模型和机器学习的储能电池SOH估计方法在说明书摘要公布了：本发明公开了一种基于电化学模型和机器学习的储能电池SOH估计方法，包括：S1：构建储能电池的电化学模型；S2：在初始老化循环下对电化学模型进行参数辨识；S3：基于参数辨识后的电化学模型提取与电池老化相关的模型特征；S4：基于实验数据提取与电池老化相关的数据特征；S5：对模型特征和数据特征进行相关性分析、特征降维和特征融合，得到融合特征；S6：将融合特征输入训练好的支持向量机模型中，输出对应的电池健康状态预测值。本发明从电化学模型和实验数据中提取与电池老化相关的特征，通过主成分分析法对特征进行降维处理得到融合特征，利用支持向量机建立电池老化模型实现SOH估计，从而有效提高储能电池SOH估计的准确性和泛化性。

本发明授权一种基于电化学模型和机器学习的储能电池SOH估计方法在权利要求书中公布了：1.一种基于电化学模型和机器学习的储能电池SOH估计方法，其特征在于，包括： S1：构建储能电池的电化学模型； S2：在初始老化循环下，对电化学模型进行参数辨识； S3：基于参数辨识后的电化学模型提取与电池老化相关的模型特征； 步骤S3中，通过如下步骤提取与电池老化相关的模型特征： S301：将不同老化循环下不同工况的实验数据输入到参数辨识后的电化学模型中； S302：通过电化学模型计算储能电池的SOC模拟值；通过SOC模拟值和实际的SOC值计算SOC误差；提取SOC误差的均值和积分作为模型特征和模型特征； 公式表示为： ； ； S303：通过电化学模型计算储能电池的电压模拟值；通过电压模拟值和实际的电压值计算电压误差；提取端电压误差的均值和积分作为模型特征和模型特征； 公式表示为： ； ； S4：基于获取的实验数据提取与电池老化相关的数据特征； 步骤S4中，通过如下步骤提取与电池老化相关的数据特征： S401：获取实验数据； S402：从实验数据中提取放电时间作为数据特征； 公式表示为： ； 式中：表示放电结束时间；表示放电开始时间； S403：从实验数据中提取净放电电能作为数据特征； 公式表示为： ； 式中：和分别表示放电电流和充电电流对应的电压；和分别表示放电电流和充电电流；和分别表示放电时间和充电时间； S404：从实验数据中提取电压变化率作为数据特征； 公式表示为： ； 式中：表示放电结束时电压；表示放电开始时电压；表示放电开始到放电结束时对应的时间； S5：对模型特征和数据特征进行相关性分析、特征降维和特征融合，得到融合特征； S6：将融合特征输入训练好的支持向量机模型中，输出对应的电池健康状态预测值； 步骤S6中，支持向量机模型为支持向量回归模型； 通过用k折交叉验证算法训练支持向量回归模型，训练步骤包括： S601：获取包含输入特征和目标变量的数据集；将数据集划分为k个互不重叠的子集； S602：对于k个子集中的每一个子集，执行以下步骤： S6021：将当前子集作为测试集，将其他k-1个子集作为训练集； S6022：在训练集上训练支持向量回归模型； S6023：在测试集上评估支持向量回归模型的性能，并记录性能指标； S6024：循环执行S6021至S6023，将k次迭代得到的性能指标进行平均，得到对支持向量回归模型性能的总体评估； S603：根据k折交叉验证的结果，比较不同参数组合下的平均性能指标；选择性能指标最优的参数组合作为支持向量回归模型的最优参数； S604：通过整个数据集训练确定了最优参数的支持向量回归模型，直至模型收敛。

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重庆理工大学，其通讯地址为：400054 重庆市巴南区李家沱红光大道69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。