CN120257180A 基于深度学习的动力电池充放电管理优化方法及系统 （苏州倍特睿检测科技有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120257180A(43)申请公布日2025.07.04

(21)申请号202510732380.6

(22)申请日2025.06.03

(71)申请人苏州倍特睿检测科技有限公司

地址215500江苏省苏州市常熟市东南街

道黄浦江路185-23

GO6N

GO6F

3/045(2023.01)123/02(2023.01)

(72)发明人庄辉陶煜淳操志鹏顾叶飞罗剑黄子健

(74)专利代理机构苏州瞪羚知识产权代理事务所(普通合伙)32438

专利代理师张宇

(51)Int.CI.

GO6FGO6F

GO6FGO6N

18/2433(2023.01)

18/213(2023.01)

18/23(2023.01)3/0442(2023.01)

权利要求书4页

说明书19页附图2页

(54)发明名称

基于深度学习的动力电池充放电管理优化方法及系统

(57)摘要

CN120257180A本申请提供一种基于深度学习的动力电池充放电管理优化方法及系统，首先获取目标动力电池充放电时包含电池温度序列、电压波动序列、电流变化序列的实时电池状态数据，再将其输入预训练的深度学习模型，通过深度学习模型不同分支分别分析电池温度时变特征、电压波动周期性模式、电流变化异常波动区间，基于以上特征的融合分析结果，生成与当前充放电阶段匹配的含充放电速率调整阈值等的动态优化策略，最后依据该动态优化策略实时调整充放电参数，使充放电参数满足预设的电池健康度约束条件且实现能量效率最大化，由此可智能优化动力电池充放电管理，提升电池性能与寿

CN120257180A

获取目标动力电池在充放电过程中的实时电池状态数据

获取目标动力电池在充放电过程中的实时电池状态数据

将所述实时电池状态数据输入预先训练的深度学习模型，

通过所述深度学习模型的时间序列预测分支分析所述电池

温度序列的时变特征，通过电压动态感知分支提取所述电

压波动序列的周期性模式，通过电流特征映射分支识别所

述电流变化序列中的异常波动区间

基于所述时变特征、周期性模式及异常波动区间的融合分析结果，生成与当前充放电阶段匹配的动态优化策略

根据所述动态优化策略对所述目标动力电池的充放电参数

进行实时调整，使得调整后的充放电参数满足预设的电池

健康度约束条件与能量效率最大化目标

S120-

S130-

S140

CN120257180A权利要求书1/4页

2

1.一种基于深度学习的动力电池充放电管理优化方法，其特征在于，所述方法包括：

获取目标动力电池在充放电过程中的实时电池状态数据，所述实时电池状态数据包括电池温度序列、电压波动序列及电流变化序列；

将所述实时电池状态数据输入预先训练的深度学习模型，通过所述深度学习模型的时间序列预测分支分析所述电池温度序列的时变特征，通过电压动态感知分支提取所述电压波动序列的周期性模式，通过电流特征映射分支识别所述电流变化序列中的异常波动区

间；

基于所述时变特征、周期性模式及异常波动区间的融合分析结果，生成与当前充放电阶段匹配的动态优化策略，所述动态优化策略包含充放电速率调整阈值、温度控制区间及电压稳定范围；

根据所述动态优化策略对所述目标动力电池的充放电参数进行实时调整，使得调整后的充放电参数满足预设的电池健康度约束条件与能量效率最大化目标。

2.根据权利要求1所述的基于深度学习的动力电池充放电管理优化方法，其特征在于，所述获取目标动力电池在充放电过程中的实时电池状态数据，包括：

通过部署在所述目标动力电池表面的分布式温度传感器采集连续时间戳下的电池温度测量值，并按照预设时间窗口对所述电池温度测量值进行滑动平均处理，生成所述电池温度序列；

通过嵌入在电池管理系统的电压采样模块获取充放电回路中的瞬时电压值，并基于电压变化梯度对所述瞬时电压值进行分段拟合，生成所述电压波动序列；

通过电流探头捕获充放电电流波形，并对所述电流波形进行峰谷检测及噪声过滤处理，提取所述电流变化序列中的有效波动区间作为所述异常波动区间的候选数据。

3.根据权利要求1所述的基于深度学习的动力电池充放电管理优化方法，其特征在于，所述深度学习模型包括并行连接的循环神经网络单元和注意力机制模块；

所述通过所述深度学习模型的时间序列预测分支分析所述电池温度序列的时变特征，