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物理信息自动编码器的锂电池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：CN121027850B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202511134968.8，技术领域涉及：G01R31/367；该发明授权一种基于物理信息自动编码器的锂电池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2025-08-14向国家知识产权局提交的专利申请。

本一种基于物理信息自动编码器的锂电池SOH估计方法在说明书摘要公布了：本发明公开一种基于物理信息自动编码器的锂电池SOH估计方法，该方法包括：获取锂电池老化数据集；数据预处理和数据集划分；训练并获得基于弛豫电压的物理信息自动编码器，其训练损失函数包含弛豫电压的重构损失和弛豫电压的物理信息重构损失；训练并获得基于电化学阻抗谱的物理信息自动编码器，其训练损失函数包含电化学阻抗谱的重构损失和电化学阻抗谱的物理信息重构损失；构建特征训练集和特征测试集；训练并获得锂电池SOH估计模型；在线估计锂电池SOH。本发明在自动编码器模型中引入物理信息重构损失，可提取与电池物理特性之间关联性更强的健康特征，增强所提取特征的老化信息和泛化能力，可提高SOH估计精度。

本发明授权一种基于物理信息自动编码器的锂电池SOH估计方法在权利要求书中公布了：1.一种基于物理信息自动编码器的锂电池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；在每个充放电循环过程中，在充满电和放电过程之间设置一段静置时间，即电池进入弛豫阶段，在弛豫阶段内采集弛豫电压曲线，在弛豫阶段的固定时间点采集一定频率范围内的电化学阻抗谱，并在放电结束后记录锂电池在本循环的SOH值；将弛豫电压曲线、电化学阻抗谱和锂电池SOH共同组成数据集D； S2：数据预处理和数据集划分，即对步骤S1所述的数据集D中的数据进行数据清洗，包括异常值去除和缺失值填补，进一步将数据预处理后的数据集划分为训练集DTrain和测试集DTest； S3：训练并获得基于弛豫电压的物理信息自动编码器，具体步骤包括：首先搭建基于弛豫电压的物理信息自动编码器模型AErv，所述的AErv模型由编码器网络和解码器网络组成； 通过模型AErv对步骤S2所述的训练集DTrain中的弛豫电压曲线进行重构，得到重构的弛豫电压曲线；基于弛豫电压曲线和重构的弛豫电压曲线，构建弛豫电压的重构损失lossrv；基于二阶RC等效电路模型分别对弛豫电压曲线和重构的弛豫电压曲线进行拟合，得到弛豫电压曲线的等效电路物理参数和重构的弛豫电压曲线的等效电路物理参数，然后进一步构建弛豫电压的物理信息重构损失对lossrv和进行线性加权，得到AErv模型的训练损失函数；基于AErv模型的训练损失函数，使用步骤S2所述的训练集DTrain中的弛豫电压曲线训练AErv模型，训练完毕后保存模型； S4：训练并获得基于电化学阻抗谱的物理信息自动编码器，具体步骤包括：首先搭建基于电化学阻抗谱的物理信息自动编码器模型AEeis，所述的AEeis模型由编码器网络和解码器网络组成；通过模型AEeis对步骤S2所述的训练集DTrain中的电化学阻抗谱进行重构，得到重构的电化学阻抗谱；基于电化学阻抗谱和重构的电化学阻抗谱，构建电化学阻抗谱的重构损失losseis；基于分数阶等效电路模型分别对电化学阻抗谱和重构的电化学阻抗谱进行拟合，得到电化学阻抗谱的等效电路物理参数和重构的电化学阻抗谱的等效电路物理参数，然后进一步构建电化学阻抗谱的物理信息重构损失对losseis和进行线性加权，得到AEeis模型的训练损失函数；基于AEeis模型的训练损失函数，使用步骤S2所述的训练集DTrain中的电化学阻抗谱训练AEeis模型，训练完毕后保存模型； S5：构建特征训练集和特征测试集，具体步骤包括：将步骤S2所述的训练集DTrain中的弛豫电压曲线输入到步骤S3所述的模型AErv的编码器网络中，得到训练集的弛豫电压特征将步骤S2所述的训练集DTrain中的电化学阻抗谱输入到步骤S4所述的模型AEeis的编码器网络中，得到训练集的电化学阻抗谱特征将所述的和训练集DTrain中的SOH值组成特征训练集FTrain；将步骤S2所述的测试集DTest中的弛豫电压曲线输入到步骤S3所述的模型AErv的编码器网络中，得到测试集的弛豫电压特征将步骤S2所述的测试集DTest中的电化学阻抗谱输入到步骤S4所述的模型AEeis的编码器网络中，得到测试集的电化学阻抗谱特征将所述的和测试集DTest中的SOH值组成特征测试集FTest； S6：训练并获得锂电池SOH估计模型，具体步骤包括：搭建极限学习机模型；基于步骤S5所述的特征训练集FTrain和特征测试集FTest，对极限学习机模型进行训练与测试，如果测试精度不满足要求则重新训练，若满足要求则将模型进行保存； S7：在线估计锂电池SOH，具体步骤包括：从实际的锂电池充放电过程中采集弛豫电压曲线和电化学阻抗谱，采用步骤S2所述的方法进行数据预处理；将数据预处理后的弛豫电压曲线输入到步骤S3所述的基于弛豫电压的物理信息自动编码器模型AErv的编码器网络中，得到弛豫电压特征；将数据预处理后的电化学阻抗谱输入到步骤S4所述的基于电化学阻抗谱的物理信息自动编码器模型AEeis的编码器网络中，得到电化学阻抗谱特征；将弛豫电压特征和电化学阻抗谱特征输入到步骤S6所述的极限学习机模型中，对锂电池SOH进行估计。

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。