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！

龙图腾网恭喜吉林大学申请的专利基于多模型融合的锂离子电池荷电和健康状态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：CN119147982B 。

龙图腾网通过国家知识产权局官网在2025-03-25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：202411638598.7，技术领域涉及：G01R31/378；该发明授权基于多模型融合的锂离子电池荷电和健康状态估计方法是由麻斌;胡云峰;宫洵;孙耀;姜天柱设计研发完成，并于2024-11-18向国家知识产权局提交的专利申请。

本基于多模型融合的锂离子电池荷电和健康状态估计方法在说明书摘要公布了：本发明适用于锂离子电池管理技术领域，提供了基于多模型融合的锂离子电池荷电和健康状态估计方法，包括以下步骤：数据采集及处理；基于等电压间隔放电时间的电池SOH估计；电池SOC估计模型的搭建与训练；基于容量修正的安时积分法：将步骤二所计算的SOH值应用于安时积分法中，以实时调整SOC的估算值；当前电池SOH下电池SOC的估计：将步骤三中应用神经网络输出的SOC和步骤四中应用安时积分法计算的SOC应用卡尔曼滤波器进行融合；评价指标设定。本发明显著提高了锂离子电池SOC和SOH的估计准确性，降低了误差，增强了BMS性能，提升了电池安全性和使用寿命，同时展现出强适应性和良好的抗噪声性能。

本发明授权基于多模型融合的锂离子电池荷电和健康状态估计方法在权利要求书中公布了：1.基于多模型融合的锂离子电池荷电和健康状态估计方法，其特征在于，包括以下步骤：步骤一、数据采集及处理，具体包括：数据采集：在SOC估计任务中，输入为电压、电流和温度；在SOH估计任务中，输入为4.0V-3.2V放电窗口的时间跨越值；数据处理：对数据进行归一化、分批次和划窗口处理；步骤二、基于等电压间隔放电时间的电池SOH估计；步骤三、电池SOC估计模型的搭建与训练；步骤四、基于容量修正的安时积分法：将步骤二所计算的SOH值应用于安时积分法中，以实时调整SOC的估算值；步骤五、当前电池SOH下电池SOC的估计：将步骤三中应用神经网络输出的SOC和步骤四中应用安时积分法计算的SOC应用卡尔曼滤波器进行融合；步骤六、评价指标设定；所述步骤一中，数据处理步骤的具体过程如下：对获取的数据进行归一化处理：采用最大最小归一化方法，将索引的特征值缩放到[0,1]区间内；设输入数据为l，归一化处理过程如下：其中，lmin为特征序列中的最小值，lmax为特征序列中的最大值，l*为归一化处理后的值；归一化处理后，对数据进行分批次和划窗口处理；分批次处理后，将时间序列数据转换为适合神经网络处理的格式，选择窗口长度为60，实际预测过程为用前60个时间点的输入特征来预测第61个目标值，通过时间窗口逐步向前移动，对整个时间序列进行预测，实现对电池SOC和SOH的动态监测和预测；所述步骤二的具体过程如下：在室温下，以恒流1.5A进行充电，充电截至电压为4.2V，以恒流2A进行放电，放电截至电压为2.4V，同时划定放电窗口为3.8V-2.8V，截取到放电时间t100、t300和t600，依据随着循环次数的增加等电压间隔的放电时间的变化规律进行电池的SOH估计；在获取不同循环的等电压间隔放电时间序列后，首先进行步骤一中归一化、分批次和划窗口处理，其次构建以LSTM网络为核心的SOH估计模型，以经过处理后的时间序列作为输入，SOH作为输出；所述步骤三的具体过程如下：选取SOH窗口为100%-80%，并分别在100%SOH、95%SOH、90%SOH、85%SOH和80%SOH下搭建SOC估计模型；模型的输入变量为电压、电流和温度；所采集到的数据首先进行步骤一中归一化、分批次和划窗口处理，其次，经过处理后的输入数据进入CNN-LSTM网络，CNN-LSTM网络包括CNN层、LSTM层、全连接层和输出层，CNN层进行初步的特征提取，随后初步提取的特征被传递给LSTM层，LSTM层进一步分析特征在时间序列上的动态变化，捕捉电池性能随时间的演变规律，经全连接层和输出层后，输出SOC；所述步骤四中，基于容量修正的安时积分法用以下公式来表示：其中，SOCk+1代表下一时刻的SOC；SOCk代表当前时刻的SOC；I表示电流；Δt代表时间间隔；C是电池的额定容量；SOH为估计的电池健康状态值；所述步骤五的具体过程如下：首先计算当前SOH下CNN-LSTM网络的SOC估计值：确定当前SOH，假设其数值为x，然后计算当前SOH的数值与五个定SOH节点即100%SOH、95%SOH、90%SOH、85%SOH和80%SOH之间的差值，设差值分别为m1，m2，m3，m4和m5，设在五个固定SOH节点下估计的SOC分别为SOC1，SOC2，SOC3，SOC4和SOC5，则当前SOH下的SOC估计值为：其次进行状态空间表达式建立：对于SOC估计问题，状态向量x为安时积分法计算的SOC值，测量向量z是CNN-LSTM网络输出的SOC值，即式4中计算得到的当前SOH下的CNN-LSTM网络的SOC估计值，因此，建立的状态空间表达式如下：其中，SOCk+1代表k+1时刻安时积分计算的SOC值；SOCk代表k时刻的SOC值，Ik为k时刻的电流值，代表时间间隔；SOH为估计的电池健康状态值；C为电池的额定容量；ω为高斯状态噪声，υ为高斯测量噪声；LSTMk代表k时刻CNN-LSTM网络输出的SOC值；状态空间表达式的标准形式为：其中，xk为k时刻的状态变量；yk为k时刻的输出变量；A为传递矩阵，B为系统输入阵，C为系统输出阵，D为前馈矩阵，ωk为过程噪声，υk为测量噪声；最后进行卡尔曼滤波器的实现，分为时间更新和测量更新两个步骤：时间更新：其中，为k时刻的先验状态估计值；为k时刻的后验状态估计值；为k时刻的先验估计协方差；为控制输入；Pk-1为k-1时刻的后验估计协方差；为状态转移矩阵的转置；Q为过程激励噪声协方差；测量更新：其中，Kk为卡尔曼增益；为k时刻的先验估计协方差；H为状态变量到测量的转换矩阵；为H的转置；R为测量噪声协方差；为k时刻的后验状态估计值；为k时刻的先验状态估计值；为测量值；Pk为误差协方差矩阵在k时间点的最优估计；I表示电流；将式8和式9应用在式5和式6，得到输出为，即：所述步骤六的具体过程如下：设定RMSE指标以评价模型的性能，计算公式如下：其中，SOCk代表k时刻的SOC值；SOC*k为k时刻的SOC预测值；N为样本数量。

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吉林大学，其通讯地址为：130012 吉林省长春市前进大街2699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”。