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！

龙图腾网恭喜浙江浙能电力股份有限公司萧山发电厂;浙江大学申请的专利一种储能电池堆退化全寿命自适应健康感知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：CN119691525B 。

龙图腾网通过国家知识产权局官网在2025-05-27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：202510186850.3，技术领域涉及：G06F18/24；该发明授权一种储能电池堆退化全寿命自适应健康感知方法是由沈建明;汤碧君;孙飞;孙浩权;周齐辉;赵春晖;杨佳阳;郏振崴设计研发完成，并于2025-02-20向国家知识产权局提交的专利申请。

本一种储能电池堆退化全寿命自适应健康感知方法在说明书摘要公布了：本发明公开了一种储能电池堆退化全寿命自适应健康感知方法，该方法首先通过特征融合和循环窗口构建，构建规范化分析的循环窗口，结合双尺度非平稳退化分析架构，再通过设计的退化成分解耦算法进行解耦表征，将输入信号分解为在退化过程中不变的固有特征和在退化过程中明显变化的漂移特征，通过所提取的退化解耦表征信息区分真实异常和正常退化现象，进而实现了具有退化感知能力的锂电池堆全生命周期的自适应监测方案。本发明首次建立了退化解耦表征与全生命周期下的自适应健康感知方案，通过识别老化行为，对退化和真实异常进行细致解耦，进而有效提高了故障检出率，降低了误报率，为储能电池堆的精细健康管理与安全运行提供了实用支持。

本发明授权一种储能电池堆退化全寿命自适应健康感知方法在权利要求书中公布了：1.一种储能电池堆退化全寿命自适应健康感知方法，其特征在于，包括以下步骤：1获取储能电池堆历史运行的全生命周期的原始离线数据，并对正常状态时的原始离线数据进行集群特征融合和循环窗口构建处理，以获取多个循环窗口的融合特征样本数据；2利用循环窗口的融合特征样本数据，通过双尺度非平稳退化分析架构进行分析，首先在内循环尺度下，通过高斯混合模型将每个充放电循环内的充电行为或放电行为识别为内循环非平稳趋势，然后在跨循环尺度下，利用退化成分解耦算法对融合特征样本数据进行解耦，以获取固有投影矩阵和漂移投影矩阵；所述在跨循环尺度下，利用退化成分解耦算法对融合特征样本数据进行解耦，以获取固有投影矩阵和漂移投影矩阵，具体包括：首先基于内循环尺度下每个循环窗口的高斯混合模型的概率密度函数构建跨循环固有高斯混合模型，以使原始融合特征样本数据所得到的固有特征din在不同的循环窗口中呈现相似的数据分布；该跨循环固有高斯混合模型的概率密度函数为： 其中，pdin表示跨循环固有高斯混合模型的概率密度函数，和分别表示跨循环固有高斯混合模型的第m个高斯成本的混合权重、均值向量和协方差矩阵；然后给定每个循环窗口的跨循环固有高斯混合模型的原始模型参数为其中表示第w个循环窗口的跨循环固有高斯混合模型的原始模型参数，和分别表示第w个循环窗口的跨循环固有高斯混合模型的第m个高斯成分的原始混合权重、原始均值向量和原始协方差矩阵；每个循环窗口的跨循环固有高斯混合模型的模型参数通过期望最大化算法进行估计，经过Q次迭代估计后，得到每个循环窗口的跨循环固有高斯混合模型的最终模型参数为将其简化为其中和分别表示第w个循环窗口的跨循环固有高斯混合模型的第m个高斯成分的最终混合权重、最终均值向量和最终协方差矩阵；其次，根据所有循环窗口的跨循环固有高斯混合模型的最终模型参数求解线性投影系数矩阵A，其优化问题和约束条件等价于：A＝argminTr[ASAT] 其中，Tr[·]表示矩阵的迹，I表示单位矩阵，W为循环窗口的总数，和分别表示跨循环固有高斯混合模型的第m个高斯成分的均值向量平均值和协方差矩阵平均值，S,均为无实际意义的中间参数；最后，采用奇异值分解方法在线性投影系数矩阵的约束条件下求解其优化问题，得到上述公式中的优化问题的闭式解，该闭式解为Je个特征向量，在Je个特征向量中选取最小的R个特征值对应的特征向量，将其作为固有投影矩阵，表示为将Je个特征向量中剩余的特征向量形成漂移投影矩阵，表示为其中ar表示Ain中的第r个系数向量，R为固有特征的维度，Je-R为漂移特征的维度；3获取待监测储能电池堆的历史服役数据，并对其进行集群特征融合处理，以获得对应的融合特征数据；利用固有投影矩阵和漂移投影矩阵获取融合特征数据对应的固有特征和漂移特征，并通过高斯混合模型分别计算固有特征和漂移特征的监测统计量，采用核密度估计获得固有特征和漂移特征对应的监测统计量控制限；所述步骤3具体包括以下子步骤：3.1获取待监测储能电池堆的历史服役数据；其中，所述储能电池堆包括多个电池模组，以电池模组为最小分析单元，所述电池模组的服役数据包括该电池模组中每个单体电池的服役状态变量数据，所述服役状态变量包含荷电状态指标和测点变量；3.2对每个待监测电池模组的历史服役数据进行集群特征融合处理，得到对应的融合特征数据其中Nf表示待监测电池模组的融合特征数据总数；3.3利用固有投影矩阵Ain和漂移投影矩阵Adr获取待监测电池模组的固有特征和漂移特征，其计算公式分别为：Din＝AinXDdr＝AdrX其中，Din和Ddr分别表示待监测电池模组的固有特征和漂移特征；3.4通过高斯混合模型分别计算固有特征Din和漂移特征Ddr的监测统计量，监测统计量为贝叶斯推断距离，其计算公式为： 其中，BID为贝叶斯推断距离指标，表示固有特征Din或漂移特征Ddr的监测统计量；Θm表示第m个高斯成分的高斯混合模型参数，αm表示第m个高斯成分的高斯混合模型参数中的混合权重；d∈Din时表示固有特征，d∈Ddr时表示漂移特征；Dld,Θm表示d到第m个高斯成分的马氏距离，pΘm|d表示固有特征或漂移特征对应的后验概率；3.5采用核密度估计方法对步骤3.4计算出的固有特征和漂移特征的监测统计量进行统计，获得固有特征和漂移特征对应的监测统计量控制限；4对待监测储能电池堆进行在线自适应异常监测时，将实时采集的服役数据以电池模组为基本分析单元，根据固有特征和漂移特征对应的监测统计量控制限进行判断，判断待监测储能电池堆的状态；并设计自适应模型更新策略，依据在线服役数据的老化程度判断是否需要进行更新。

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浙江浙能电力股份有限公司萧山发电厂;浙江大学，其通讯地址为：311251 浙江省杭州市萧山区临浦镇元宝山路1号附近萧山发电厂行政楼210室；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”。