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)獲悉浙大寧波理工學院申請的專利基于Box-Cox變換指數(shù)模型和Conv-LSTM的鋰電池SOH估算方法獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產(chǎn)權局授予，授權公告號為：CN116449216B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權局官網(wǎng)在2025-08-26發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202310429460.5，技術領域涉及：G01R31/367；該發(fā)明授權基于Box-Cox變換指數(shù)模型和Conv-LSTM的鋰電池SOH估算方法是由陶吉利;周奔滔;馬龍華;徐鳴設計研發(fā)完成，并于2023-04-18向國家知識產(chǎn)權局提交的專利申請。

本基于Box-Cox變換指數(shù)模型和Conv-LSTM的鋰電池SOH估算方法在說明書摘要公布了：本發(fā)明公開了一種基于Box?Cox變換指數(shù)模型和Conv?LSTM的鋰電池SOH估算方法，屬于自動化技術領域。為了克服現(xiàn)有技術中對建立模型所要求的數(shù)據(jù)量龐大、SOH估算精度不足等問題，提出一種基于深度學習的混合神經(jīng)網(wǎng)絡鋰離子電池SOH建模方法。本發(fā)明的技術方案是由數(shù)據(jù)采集、構建整體趨勢預估模型、殘差數(shù)據(jù)集建立、構建非線性特征預估模型、性能評估五方面構成。該方法基于Box?Cox變換指數(shù)模型、殘差結構和卷積長短時記憶網(wǎng)絡，利用鋰離子電池充電過程中的充電片段，實現(xiàn)鋰離子電池使用周期內(nèi)的SOH估算。本發(fā)明相較于傳統(tǒng)深度學習估算SOH方法，將SOH特征分解為整體趨勢和非線性特征，再分別單獨估計，可以有效地提高模型所進行的SOH估算精度。

本發(fā)明授權基于Box-Cox變換指數(shù)模型和Conv-LSTM的鋰電池SOH估算方法在權利要求書中公布了：1.一種基于Box-Cox變換指數(shù)模型和Conv-LSTM的鋰電池SOH估算方法，其特征在于，步驟如下： S1：采集不同工況下，鋰離子電池充放循環(huán)時的充電片段作為樣本數(shù)據(jù)，并記錄電池充放循環(huán)時樣本數(shù)據(jù)所對應的電池健康狀態(tài)SOH數(shù)值作為標簽，從而形成一系列由樣本數(shù)據(jù)和標簽組成的第一訓練樣本； S2：對S1中采集到的所有第一訓練樣本中的標簽進行Box-Cox變換處理，并以每個第一訓練樣本中的樣本數(shù)據(jù)為自變量，以變換后的SOH數(shù)值為因變量，采用指數(shù)擬合得到擬合方程，再在擬合方程后級聯(lián)Box-Cox反變換操作，得到的Box-Cox變換指數(shù)模型作為線性部分估算模型； S3：針對S1中采集的每個第一訓練樣本，將第一訓練樣本中的樣本數(shù)據(jù)輸入所述Box-Cox變換指數(shù)模型中，得到SOH整體趨勢部分，再將第一訓練樣本中的標簽與得到的SOH整體趨勢部分進行殘差計算，將得到的殘差值替換第一訓練樣本中的標簽，從而得到第二訓練樣本； S4：利用所有第二訓練樣本訓練神經(jīng)網(wǎng)絡模型，對神經(jīng)網(wǎng)絡的權重進行微調使其能夠基于樣本數(shù)據(jù)預測所述殘差值，訓練完畢后得到非線性部分估算模型； S5：將線性部分估算模型與非線性部分估算模型進行組合，形成完整的鋰離子電池SOH估算模型；將待預測工況下鋰離子電池充放循環(huán)時的充電片段作為鋰離子電池SOH估算模型的輸入，分別由線性部分估算模型根據(jù)輸入來預測鋰離子電池SOH的整體趨勢部分，由非線性部分估算模型根據(jù)輸入來預測鋰離子電池SOH的殘差部分，將整體趨勢部分和殘差部分相加得到鋰離子電池SOH的估計值。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或專利權人浙大寧波理工學院，其通訊地址為：315100 浙江省寧波市高教園區(qū)錢湖南路1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)”。