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！

龙图腾网恭喜华南理工大学申请的专利基于相似性的锂离子电池SOH预测和SOC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：CN114563711B 。

龙图腾网通过国家知识产权局官网在2025-06-10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：202210193402.2，技术领域涉及：G01R31/367；该发明授权基于相似性的锂离子电池SOH预测和SOC估计方法是由杨宁;余涛设计研发完成，并于2022-02-28向国家知识产权局提交的专利申请。

本基于相似性的锂离子电池SOH预测和SOC估计方法在说明书摘要公布了：本发明公开了基于相似性的锂离子电池SOH预测和SOC估计方法。所述方法包括以下步骤：获取同类型同工况下的锂离子电池的历史健康状态SOH序列，并进行预处理，训练第一模型；获取待预测数据锂离子电池的数据；训练第二模型；对待预测的锂离子电池本次充放电半循环中的健康状态SOH值进行预测；预测实时的基于额定容量定义下的荷电状态SOCN和基于最大可用容量定义下的荷电状态SOCH；对本次充放电半循环中实时的基于额定容量定义下的荷电状态SOCN、基于最大可用容量定义下的荷电状态SOCH和健康状态SOH进行更新；更新待预测数据。本发明为锂离子电池的联合状态估计提供了新的研究思路。

本发明授权基于相似性的锂离子电池SOH预测和SOC估计方法在权利要求书中公布了：1.基于相似性的锂离子电池SOH预测和SOC估计方法，其特征在于，包括以下步骤：S1、获取同类型同工况下的锂离子电池的历史健康状态SOH序列，并进行预处理；S2、根据预处理后的历史健康状态SOH序列训练第一模型；S3、获取待预测数据锂离子电池在充放电半循环中的数据，按充放电半循环划分为训练数据和待预测数据；S4、将训练数据按照时间发生顺序按照比例分成多份训练数据样本；S5、根据训练数据样本，训练第二模型；若采用相关向量机训练第二模型，则需对训练数据样本进行插值获取新样本，然后根据新样本训练第二模型；若采用集成学习算法训练第二模型，则无需进行插值操作，直接采用训练数据样本训练第二模型；采用相关向量机训练第二模型时，步骤S5包括以下步骤：S5.1、针对每份训练数据样本中的物理量，以时间作为输入，以对应时刻的物理量为输出，进行极值归一化操作，得到归一化操作后的训练数据样本，分别训练极限学习机；S5.2、设定插值区间个数N，针对插值点个数N+1，将归一化操作后的训练数据样本中的时间划分为N等份；S5.3、采用训练好的极限学习机预测归一化操作后的训练数据样本中的N+1个时刻的物理量；S5.4、将归一化操作后的训练数据样本中的N+1个时刻的物理量反归一化还原为插值后的物理量即新样本；S5.5、在新样本的基础上，以对应的物理量作为输入，基于额定容量定义下的荷电状态SOCN作为输出，训练第二模型；采用集成学习算法训练第二模型时，在训练数据样本的基础上，以对应的物理量作为输入，基于额定容量定义下的荷电状态SOCN作为输出，训练第二模型；在训练第二模型时，对第二模型的输入和输出进行归一化处理；S6、采用训练完成的第一模型对待预测的锂离子电池本次充放电半循环中的健康状态SOH值进行预测；S7、对于锂离子电池在本次充放电半循环中的待预测数据，按照同样比例划分为多份待预测数据样本，并结合训练数据样本将每份待预测数据样本进行整体上下移动，获得平移后的待预测数据样本，输入训练好的第二模型，预测得到待预测的锂离子电池本次充放电半循环中实时的基于额定容量定义下的荷电状态SOCN的预测值，并根据步骤S6中本次充放电半循环中的健康状态SOH的预测值得到实时的基于最大可用容量定义下的荷电状态SOCH的预测值；S8、对本次充放电半循环中实时的基于额定容量定义下的荷电状态SOCN、基于最大可用容量定义下的荷电状态SOCH和健康状态SOH进行更新，分别得到对应的真实值；S9、更新待预测数据，返回步骤S3。

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华南理工大学，其通讯地址为：510640 广东省广州市天河区五山路381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”。