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！

龙图腾网获悉北京工业大学申请的专利基于寿命预诊断和迁移学习的锂离子电池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：CN117406110B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202311529542.3，技术领域涉及：G01R31/385；该发明授权基于寿命预诊断和迁移学习的锂离子电池SOH估计方法是由张彦琴;杨紫东;张宇辰设计研发完成，并于2023-11-16向国家知识产权局提交的专利申请。

本基于寿命预诊断和迁移学习的锂离子电池SOH估计方法在说明书摘要公布了：本发明公开了基于寿命预诊断和迁移学习的锂离子电池SOH估计方法，提取电池寿命特征值，利用两个聚类中心电池的历史循环数据建立电池SOH的门控循环神经网络GRU预测模型，输入为电池1C倍率恒流充电时间和1C倍率恒流充电平均电压，输出为电池SOH。对待估计电池，要在早期循环数据中提取寿命特征，进行寿命类别判断，匹配相应的SOH预测模型；再利用早期循环数据对预测模型进行迁移学习，继而在迁移学习后的模型基础上，循环数据包括电池1C倍率恒流充电时间和1C倍率恒流充电平均电压作为输入，进行SOH估计。估计方法建立在既有模型基础上，不需要对每个电池进行数据模型建模，在保障估计精度的前提下节约了时间成本。

本发明授权基于寿命预诊断和迁移学习的锂离子电池SOH估计方法在权利要求书中公布了：1.基于寿命预诊断和迁移学习的锂离子电池SOH估计方法，其特征在于：包括以下步骤： 步骤1，寿命诊断特征值提取；选取一批电池前100次循环数据，提取每个电池的两个寿命诊断特征值，分别为LPF_1和LPF_2；其中LPF_1的计算如式1所示： 式中，V和Q均为QV曲线上的坐标点，QV曲线为纵坐标为累积放电容量，横坐标为对应放电电压的曲线；计算式1需要有每个电池第10次和第100次累计放电容量随放电电压变化的QV曲线；式中，N为QV曲线上离散点的数量，N根据实际数据采集点确定，要求两条曲线的采集点数量相同； 寿命诊断特征值LPF_2计算如式2所示： 式中，为ΔQ10-100序列的第i个值，i∈1,2,…,N，为ΔQ10-100序列的平均值； 其中，ΔQ10-100序列的计算如式3所示， ΔQ10-100＝Q10-Q1003 其中，Q10为电池第10次循环QV曲线的容量序列，Q100为电池第100次循环QV曲线的容量序列，Q10和Q100的序列长度统一为N； 步骤2，应用k-means聚类算法，将步骤1中提取的每个电池两个寿命识别特征值为输入，将聚类个数设定为2，将选取的电池分为长寿命电池和短寿命电池两类，同时输出2个聚类中心电池； 步骤3，以2个聚类中心电池的历史数据作为基础数据，以1C倍率恒流充电时间和1C倍率恒流充电平均电压作为健康因子输入到GRU神经网络中，以电池SOH为输出，基于GRU神经网络进行数据训练，分别得到用于长短寿命电池预测的SOH估计模型，形成SOH估计模型库； 步骤4，获取待估计电池前100次充放电循环数据，按照式1和式2提取两个寿命特征识别值，并输入到步骤2的寿命识别聚类算法中，根据算法输出，确定目标电池的类别，匹配合适的SOH估计模型； 步骤5，从待估计电池寿命早期采集的数据中提取以1C倍率恒流充电时间，1C倍率恒流充电平均电压和SOH序列组成再训练数据，对所匹配的SOH数据模型进行迁移学习，在训练过程中仅调整GRU神经网络中全连接层的权重和偏置，保持其他层的参数不变，得到迁移模型，实现模型的适应性训练； 步骤6，从待估计电池当前循环中在线提取健康因子，即1C倍率恒流充电时间，和1C倍率恒流充电平均电压输入到步骤5训练好的迁移模型中，即可输出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北京工业大学，其通讯地址为：100024 北京市朝阳区平乐园100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。