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！

龙图腾网获悉浙江大学申请的专利一种基于充电片段的锂离子电池半监督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：CN119247190B 。

龙图腾网通过国家知识产权局官网在2025-08-15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：202411624674.9，技术领域涉及：G01R31/392；该发明授权一种基于充电片段的锂离子电池半监督SOH估计方法是由朱旭凡;耿光超;江全元;韩文煊;董佳为设计研发完成，并于2024-11-14向国家知识产权局提交的专利申请。

本一种基于充电片段的锂离子电池半监督SOH估计方法在说明书摘要公布了：本发明提出一种基于充电片段的锂离子电池半监督SOH估计方法，包括：采集锂离子电池运行数据，构建原始数据集；根据充放电完整性，计算各循环SOH值；根据可取性和相关性从原始数据集中提取健康特征，构建半监督总样本集；划分半监督总样本集为有标签样本集和无标签样本集；建立自训练循环神经网络模型，生成伪标签并更新有标签样本集；自训练循环神经网络模型迭代训练，直至无标签样本集为空或达预设迭代次数；使用最终有标签样本集，建立基于自训练循环神经网络模型的锂离子电池SOH模型。本发明能解决锂离子电池SOH估计中面临的碎片化充电、SOH标签缺失等问题，使得SOH估计方法更贴近实际应用场景，提高了SOH估计的实用性和可靠性。

本发明授权一种基于充电片段的锂离子电池半监督SOH估计方法在权利要求书中公布了：1.一种基于充电片段的锂离子电池半监督SOH估计方法，其特征在于，包括： 步骤S1：采集锂离子电池运行过程中电压、电流和温度的时间序列数据，构建锂离子电池原始数据集； 步骤S2：将锂离子电池每个充电事件记为一个循环，每个充电事件后的若干个放电事件隶属于该循环，直至下一个充电事件发生；遍历锂离子电池原始数据集，根据充放电完整性，计算锂离子电池每个循环的SOH值； 步骤S3：根据可取性和相关性从锂离子电池原始数据集中提取健康特征，与步骤S2中计算的SOH值组成半监督总样本集；具体包括以下步骤： S301：分析主要健康特征等电压时间差的相关性，具体为：在所有完整充电循环中，遍历充电电压曲线起始电压最大值与截止电压最小值间任意两个电压点Vm和Vn对应的时间戳和计算等电压时间差利用相关性分析方法分别计算不同Vm和Vn的等电压时间差Δtf与锂离子电池SOH在完整充电循环上的相关性，按相关性递减排序，得到各等电压时间差相关性递减序列； S302：分析主要健康特征等电压时间差在充电事件上的可取性，具体为：统计锂离子电池原始数据集中每个循环的充电起始电压Vi S、充电截止电压Vi E，计算平均充电起始电压和平均充电截止电压遍历步骤S301中各等电压时间差相关性递减序列，将该序列中第一个包含在范围内的等电压时间差，作为同时考虑了相关性和可取性的最优等电压时间差即在各个循环上的相关性最高，能覆盖的充电事件最多； S303：提取每个循环锂离子电池充电片段中的充电起始电压Vi S、充电截止电压Vi E、最优等电压时间差充电开始温度Ti S、充电结束温度Ti E作为健康特征，构成锂离子电池健康特征集 S304：将锂离子电池健康特征集与步骤S2中计算的SOH值按循环顺序对齐，建立半监督总样本集Si＝[Fi,SOHi]； 步骤S4：将步骤S3中半监督总样本集划分为包含SOH值的有标签样本集和不包含SOH值的无标签样本集； 步骤S5：利用有标签样本集建立自训练循环神经网络模型，将无标签样本集输入自训练循环神经网络模型，生成无标签样本集中每个循环对应的SOH伪标签，将符合置信度要求的SOH伪标签与无标签样本集中对应的健康特征加入有标签样本集，并从无标签样本集中删除；具体包括以下步骤： S501：将有标签样本集划分为训练集和验证集，利用经滑动窗口算法处理后的训练集对自训练循环神经网络模型进行训练，并观察训练集和验证集的损失下降情况，以调整自训练循环神经网络模型的结构和超参数，直至训练集和验证集损失均不再下降时，完成自训练循环神经网络模型的训练； S502：将无标签样本集经滑动窗口算法处理后输入步骤S501中完成训练的自训练循环神经网络模型，输出无标签样本集中每个循环对应的伪标签 S503：对自训练循环神经网络模型在无标签样本集上生成的伪标签进行置信度判断，若该循环的SOH伪标签位于它前后两个有标签循环的95％SOH置信区间内，则认为模型在该循环生成的伪标签满足误差要求；所述95％SOH置信区间的计算公式如下： 其中，和分别为该伪标签前后两个有标签循环f1与f2闭区间内的SOH均值、标准差；n为前后两个有标签循环闭区间内的电池循环总数，当显著性水平α＝0.05时该区间置信度为95％，据查表法知此时Z分数Zα2约为1.96； S504：将符合置信度要求的SOH伪标签和与其对应的健康特征加入有标签样本集，并在无标签样本集中将其删除； 步骤S6：重复步骤S5直至无标签样本集为空或达到预设的最大迭代次数，并输出自训练循环神经网络模型最终一次迭代后的有标签样本集； 步骤S7：利用步骤S6中自训练循环神经网络模型最终一次迭代后的有标签样本集，训练与步骤S5中自训练循环神经网络模型结构及参数相同的模型，建立锂离子电池SOH估计模型； 步骤S8：采集锂离子电池实际运行中的数据，提取与步骤S3中相同的健康特征，按相同数据格式输入步骤S7中的锂离子电池SOH估计模型，即可得到当前循环锂离子电池的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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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”。