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！

龙图腾网获悉广东工业大学申请的专利一种基于多项式重构充放电曲线的锂电池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：CN121091089B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202511211769.2，技术领域涉及：G01R31/36；该发明授权一种基于多项式重构充放电曲线的锂电池SOH估计方法是由黄子鸿;陈思哲;董楚煜;谢书阳;韩晓岚;洪子扬设计研发完成，并于2025-08-28向国家知识产权局提交的专利申请。

本一种基于多项式重构充放电曲线的锂电池SOH估计方法在说明书摘要公布了：本发明公开一种基于多项式重构充放电曲线的锂电池SOH估计方法，该方法包括：获取锂电池老化数据集；数据预处理；训练并获得SOH估计模型；训练并获得充放电曲线重构模型；重构缺失的充放电曲线；在线估计锂电池SOH。本发明通过多项式拟合函数来表征恒流充电电压曲线、恒压充电电流曲线和恒流放电电压曲线，基于多项式拟合函数的系数构建了相应的充放电曲线重构模型，当一种曲线出现严重的数据缺失情况时，可通过充放电曲线重构模型来估计缺失曲线的多项式拟合函数的多项式系数，进一步通过多项式拟合函数对应的函数曲线来表征重构的曲线，从而完成缺失曲线的重构。

本发明授权一种基于多项式重构充放电曲线的锂电池SOH估计方法在权利要求书中公布了：1.一种基于多项式重构充放电曲线的锂电池SOH估计方法，其特征在于，具体步骤如下： S1：获取锂电池老化数据集，具体步骤包括：通过对多个同类型锂电池按照恒流‑恒压充电、恒流放电的方式进行循环充放电实验；在充放电循环中，采集恒流充电电压曲线，恒压充电电流曲线和恒流放电电压曲线，采集数据需包含每个采样点对应的时间、电流值和电压值；记录每个循环对应的SOH值；将恒流充电电压曲线、恒压充电电流曲线、恒流放电电压曲线和SOH值构成数据集D； S2：数据预处理，即首先对步骤S1所述的数据集D中数据进行数据清洗，然后对数据集中的恒流充电电压曲线、恒压充电电流曲线和恒流放电电压曲线进行时间调整，所述的时间调整的具体步骤为：每个阶段的曲线的所有采样点的时间都减去该阶段的曲线的第一个采样点的时间； S3：训练并获得SOH估计模型，即首先对步骤S2所述的数据预处理后的数据集D中的恒流充电电压曲线、恒压充电电流曲线和恒流放电电压曲线分别提取健康特征，然后将数据集划分为训练集和测试集；接着构建基于人工神经网络的SOH估计模型，将所提取的所有健康特征作为人工神经网络模型的输入，将SOH作为人工神经网络模型的输出，使用训练集对该人工神经网络模型进行训练，并利用测试集评估模型性能；若满足测试精度要求则保存该模型，否则修改模型的超参数并重新训练，直至满足测试精度要求； S4：训练并获得充放电曲线重构模型，即首先分别对步骤S1所述的数据集D中的恒流充电电压曲线、恒压充电电流曲线和恒流放电电压曲线选择拟合误差最小的多项式拟合函数，接着分别用对应的多项式拟合函数来拟合三种曲线，得到恒流充电电压曲线、恒压充电电流曲线和恒流放电电压曲线对应的多项式系数；然后构建三个充放电曲线重构模型，所述三个充放电曲线重构模型包括恒流充电电压曲线重构模型、恒压充电电流曲线重构模型和恒流放电电压曲线重构模型，所述三个充放电曲线重构模型均由多输入多输出的多层全连接层构成；分别依次将其中需要重构的曲线对应的多项式系数作为模型的输出，其他两种曲线对应的多项式系数作为模型的输入，对三个充放电曲线重构模型进行训练，训练完毕后保存三个充放电曲线重构模型，具体步骤如下： S401：将步骤S2所述数据预处理后的数据集D中所有样本的恒流充电电压曲线作为拟合对象，使用多项式拟合函数进行拟合，以所有样本的平均拟合误差最小为目标，搜索最佳的多项式次数，确定一个平均拟合误差最小的多项式拟合函数，并将该多项式拟合函数作为恒流充电电压曲线的多项式拟合函数； S402：将步骤S2所述数据预处理后的数据集D中所有样本的恒压充电电流曲线作为拟合对象，使用多项式拟合函数进行拟合，以所有样本的平均拟合误差最小为目标，搜索最佳的多项式次数，确定一个平均拟合误差最小的多项式拟合函数，并将该多项式拟合函数作为恒压充电电流曲线的多项式拟合函数； S403：将步骤S2所述数据预处理后的数据集D中所有样本的恒流放电电压曲线作为拟合对象，使用多项式拟合函数进行拟合，以所有样本的平均拟合误差最小为目标，搜索最佳的多项式次数，确定一个平均拟合误差最小的多项式拟合函数，并将该多项式拟合函数作为恒流放电电压曲线的多项式拟合函数； S404：将全部恒流充电电压曲线的多项式拟合函数的多项式系数组成数据集A；将全部恒压充电电流曲线的多项式拟合函数的多项式系数组成数据集B；将全部恒流放电电压曲线的多项式拟合函数的多项式系数组成数据集C； S405：构建恒流充电电压曲线重构模型Model1，所述的模型Model1为多输入多输出的多层全连接层模型，将数据集B和数据集C作为模型的输入，将数据集A作为模型的输出，从而训练恒流充电电压曲线重构模型Model1，训练完毕后保存模型Model1； S406：构建恒压充电电流曲线重构模型Model2，所述的模型Model2为多输入多输出的多层全连接层模型，将数据集A和数据集C作为模型的输入，将数据集B作为模型的输出，从而训练恒压充电电流曲线重构模型Model2，训练完毕后保存模型Model2； S407：构建恒流放电电压曲线重构模型Model3，所述的模型Model3为多输入多输出的多层全连接层模型，将数据集A和数据集B作为模型的输入，将数据集C作为模型的输出，从而训练恒流放电电压曲线重构模型Model3，训练完毕后保存模型Model3； S5：重构缺失的充放电曲线，具体步骤为：在实际的估计SOH的应用场合中，采集恒流充电电压曲线，恒压充电电流曲线和恒流放电电压曲线，电池管理系统进一步检测恒流充电电压曲线、恒压充电电流曲线和恒流放电电压曲线当中的某一曲线是否出现严重的数据缺失情况，所述的严重的数据缺失情况指所采集的曲线数据中存在长时间、连续多个采样周期的数据丢失；若检测到恒流充电电压曲线、恒压充电电流曲线和恒流放电电压曲线当中的某一曲线出现严重的数据缺失情况，则利用步骤S4所述的恒流充电电压曲线重构模型、恒压充电电流曲线重构模型和恒流放电电压曲线重构模型当中对应的模型对出现严重数据缺失情况的曲线进行重构；若没有出现严重的数据缺失情况，则直接进行步骤S6； S6：在线估计锂电池SOH，对恒流充电电压曲线，恒压充电电流曲线和恒流放电电压曲线分别提取健康特征，输入到步骤S3所述的基于人工神经网络的SOH估计模型中，输出SOH估计值。

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广东工业大学，其通讯地址为：510006 广东省广州市番禺区小谷围街道广东工业大学；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。