買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜吉林大學申請的專利基于多模型融合的鋰離子電池荷電和健康狀態(tài)估計方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN119147982B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-03-25發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202411638598.7，技術(shù)領(lǐng)域涉及：G01R31/378；該發(fā)明授權(quán)基于多模型融合的鋰離子電池荷電和健康狀態(tài)估計方法是由麻斌;胡云峰;宮洵;孫耀;姜天柱設(shè)計研發(fā)完成，并于2024-11-18向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于多模型融合的鋰離子電池荷電和健康狀態(tài)估計方法在說明書摘要公布了：本發(fā)明適用于鋰離子電池管理技術(shù)領(lǐng)域，提供了基于多模型融合的鋰離子電池荷電和健康狀態(tài)估計方法，包括以下步驟：數(shù)據(jù)采集及處理；基于等電壓間隔放電時間的電池SOH估計；電池SOC估計模型的搭建與訓練；基于容量修正的安時積分法：將步驟二所計算的SOH值應用于安時積分法中，以實時調(diào)整SOC的估算值；當前電池SOH下電池SOC的估計：將步驟三中應用神經(jīng)網(wǎng)絡(luò)輸出的SOC和步驟四中應用安時積分法計算的SOC應用卡爾曼濾波器進行融合；評價指標設(shè)定。本發(fā)明顯著提高了鋰離子電池SOC和SOH的估計準確性，降低了誤差，增強了BMS性能，提升了電池安全性和使用壽命，同時展現(xiàn)出強適應性和良好的抗噪聲性能。

本發(fā)明授權(quán)基于多模型融合的鋰離子電池荷電和健康狀態(tài)估計方法在權(quán)利要求書中公布了：1.基于多模型融合的鋰離子電池荷電和健康狀態(tài)估計方法，其特征在于，包括以下步驟：步驟一、數(shù)據(jù)采集及處理，具體包括：數(shù)據(jù)采集：在SOC估計任務中，輸入為電壓、電流和溫度；在SOH估計任務中，輸入為4.0V-3.2V放電窗口的時間跨越值；數(shù)據(jù)處理：對數(shù)據(jù)進行歸一化、分批次和劃窗口處理；步驟二、基于等電壓間隔放電時間的電池SOH估計；步驟三、電池SOC估計模型的搭建與訓練；步驟四、基于容量修正的安時積分法：將步驟二所計算的SOH值應用于安時積分法中，以實時調(diào)整SOC的估算值；步驟五、當前電池SOH下電池SOC的估計：將步驟三中應用神經(jīng)網(wǎng)絡(luò)輸出的SOC和步驟四中應用安時積分法計算的SOC應用卡爾曼濾波器進行融合；步驟六、評價指標設(shè)定；所述步驟一中，數(shù)據(jù)處理步驟的具體過程如下：對獲取的數(shù)據(jù)進行歸一化處理：采用最大最小歸一化方法，將索引的特征值縮放到[0,1]區(qū)間內(nèi)；設(shè)輸入數(shù)據(jù)為l，歸一化處理過程如下：其中，lmin為特征序列中的最小值，lmax為特征序列中的最大值，l*為歸一化處理后的值；歸一化處理后，對數(shù)據(jù)進行分批次和劃窗口處理；分批次處理后，將時間序列數(shù)據(jù)轉(zhuǎn)換為適合神經(jīng)網(wǎng)絡(luò)處理的格式，選擇窗口長度為60，實際預測過程為用前60個時間點的輸入特征來預測第61個目標值，通過時間窗口逐步向前移動，對整個時間序列進行預測，實現(xiàn)對電池SOC和SOH的動態(tài)監(jiān)測和預測；所述步驟二的具體過程如下：在室溫下，以恒流1.5A進行充電，充電截至電壓為4.2V，以恒流2A進行放電，放電截至電壓為2.4V，同時劃定放電窗口為3.8V-2.8V，截取到放電時間t100、t300和t600，依據(jù)隨著循環(huán)次數(shù)的增加等電壓間隔的放電時間的變化規(guī)律進行電池的SOH估計；在獲取不同循環(huán)的等電壓間隔放電時間序列后，首先進行步驟一中歸一化、分批次和劃窗口處理，其次構(gòu)建以LSTM網(wǎng)絡(luò)為核心的SOH估計模型，以經(jīng)過處理后的時間序列作為輸入，SOH作為輸出；所述步驟三的具體過程如下：選取SOH窗口為100%-80%，并分別在100%SOH、95%SOH、90%SOH、85%SOH和80%SOH下搭建SOC估計模型；模型的輸入變量為電壓、電流和溫度；所采集到的數(shù)據(jù)首先進行步驟一中歸一化、分批次和劃窗口處理，其次，經(jīng)過處理后的輸入數(shù)據(jù)進入CNN-LSTM網(wǎng)絡(luò)，CNN-LSTM網(wǎng)絡(luò)包括CNN層、LSTM層、全連接層和輸出層，CNN層進行初步的特征提取，隨后初步提取的特征被傳遞給LSTM層，LSTM層進一步分析特征在時間序列上的動態(tài)變化，捕捉電池性能隨時間的演變規(guī)律，經(jīng)全連接層和輸出層后，輸出SOC；所述步驟四中，基于容量修正的安時積分法用以下公式來表示：其中，SOCk+1代表下一時刻的SOC；SOCk代表當前時刻的SOC；I表示電流；Δt代表時間間隔；C是電池的額定容量；SOH為估計的電池健康狀態(tài)值；所述步驟五的具體過程如下：首先計算當前SOH下CNN-LSTM網(wǎng)絡(luò)的SOC估計值：確定當前SOH，假設(shè)其數(shù)值為x，然后計算當前SOH的數(shù)值與五個定SOH節(jié)點即100%SOH、95%SOH、90%SOH、85%SOH和80%SOH之間的差值，設(shè)差值分別為m1，m2，m3，m4和m5，設(shè)在五個固定SOH節(jié)點下估計的SOC分別為SOC1，SOC2，SOC3，SOC4和SOC5，則當前SOH下的SOC估計值為：其次進行狀態(tài)空間表達式建立：對于SOC估計問題，狀態(tài)向量x為安時積分法計算的SOC值，測量向量z是CNN-LSTM網(wǎng)絡(luò)輸出的SOC值，即式4中計算得到的當前SOH下的CNN-LSTM網(wǎng)絡(luò)的SOC估計值，因此，建立的狀態(tài)空間表達式如下：其中，SOCk+1代表k+1時刻安時積分計算的SOC值；SOCk代表k時刻的SOC值，Ik為k時刻的電流值，代表時間間隔；SOH為估計的電池健康狀態(tài)值；C為電池的額定容量；ω為高斯狀態(tài)噪聲，υ為高斯測量噪聲；LSTMk代表k時刻CNN-LSTM網(wǎng)絡(luò)輸出的SOC值；狀態(tài)空間表達式的標準形式為：其中，xk為k時刻的狀態(tài)變量；yk為k時刻的輸出變量；A為傳遞矩陣，B為系統(tǒng)輸入陣，C為系統(tǒng)輸出陣，D為前饋矩陣，ωk為過程噪聲，υk為測量噪聲；最后進行卡爾曼濾波器的實現(xiàn)，分為時間更新和測量更新兩個步驟：時間更新：其中，為k時刻的先驗狀態(tài)估計值；為k時刻的后驗狀態(tài)估計值；為k時刻的先驗估計協(xié)方差；為控制輸入；Pk-1為k-1時刻的后驗估計協(xié)方差；為狀態(tài)轉(zhuǎn)移矩陣的轉(zhuǎn)置；Q為過程激勵噪聲協(xié)方差；測量更新：其中，Kk為卡爾曼增益；為k時刻的先驗估計協(xié)方差；H為狀態(tài)變量到測量的轉(zhuǎn)換矩陣；為H的轉(zhuǎn)置；R為測量噪聲協(xié)方差；為k時刻的后驗狀態(tài)估計值；為k時刻的先驗狀態(tài)估計值；為測量值；Pk為誤差協(xié)方差矩陣在k時間點的最優(yōu)估計；I表示電流；將式8和式9應用在式5和式6，得到輸出為，即：所述步驟六的具體過程如下：設(shè)定RMSE指標以評價模型的性能，計算公式如下：其中，SOCk代表k時刻的SOC值；SOC*k為k時刻的SOC預測值；N為樣本數(shù)量。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人吉林大學，其通訊地址為：130012 吉林省長春市前進大街2699號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。