CN120254642A 一种基于多参数融合的锂电池健康状态预测方法及系统 （沈阳工程学院）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120254642A(43)申请公布日2025.07.04

(21)申请号202510637698.6

(22)申请日2025.05.19

(71)申请人沈阳工程学院

地址110136辽宁省沈阳市沈北新区蒲昌

路18号

(72)发明人田景贺曾祥萍李海波庞新富刘炜马超

(74)专利代理机构北京睿智保诚专利代理事务所(普通合伙)11732

专利代理师王超

(51)Int.CI.

G01R31/367(2019.01)

G01R31/378(2019.01)

G01R31/392(2019.01)

权利要求书2页说明书7页附图1页

(54)发明名称

一种基于多参数融合的锂电池健康状态预测方法及系统

(57)摘要

CN120254642A本发明公开了一种基于多参数融合的锂电池健康状态预测方法及系统，涉及锂电池技术领域，包括以下步骤：采集锂电池运行过程中的多维参数数据，对多维参数数据进行预处理，构建时序数据集；从时序数据集中提取多源退化特征，生成退化影响因子；基于LSTM网络和Transformer编码器搭建混合模型，将退化影响因子输入混合模型进行模型训练，直至模型收敛，得到锂电池健康状态预测模型；基于锂电池健康状态预测模型对待检测锂电池进行健康检测，输出

CN120254642A

时性。

采集锂电池运行过程中的多维参数数据，对多

采集锂电池运行过程中的多维参数数据，对多维参数数据进行预处理，构建时序数据集

从时序数据集中提取多源退化特征，生成退化影响因子

基于LSTM网络和Transformer编码器搭建混合

模型，将退化影响因子输入混合模型进行模型

训练，直至模型收敛，得到锂电池健康状态预

测模型

基于锂电池健康状态预测模型对待检测锂电池进行健康检测，输出SOH预测值

CN120254642A权利要求书1/2页

2

1.一种基于多参数融合的锂电池健康状态预测方法，其特征在于，包括以下步骤：

采集锂电池运行过程中的多维参数数据，对多维参数数据进行预处理，构建时序数据集；

从时序数据集中提取多源退化特征，生成退化影响因子；

基于LSTM网络和Transformer编码器搭建混合模型，将退化影响因子输入混合模型进行模型训练，直至模型收敛，得到锂电池健康状态预测模型；

基于锂电池健康状态预测模型对待检测锂电池进行健康检测，输出SOH预测值。

2.根据权利要求1所述的一种基于多参数融合的锂电池健康状态预测方法，其特征在于，多维参数数据分为电化学参数、环境参数和使用参数三种；其中，电化学参数包括电压、电流、容量、内阻，环境参数包括温度、湿度，使用参数包括循环次数、充放电深度、充电速率。

3.根据权利要求1所述的一种基于多参数融合的锂电池健康状态预测方法，其特征在于，对多维参数数据进行预处理，具体包括以下步骤：

基于电池物理特性，从多维参数数据中剔除超过预设合理范围的异常数据，利用插值法进行缺失值填充，采用数据标准化与归一化方法消除量纲差异，得到第一数据集；

选择合适的小波基对第一数据集进行处理，去除高频噪声分量，得到第二数据集；

将第二数据集划分为独立的充放电周期，每个周期对应一次循环次数，通过标准充放电测试为每个充放电周期的数据添加SOH标签。

4.根据权利要求1所述的一种基于多参数融合的锂电池健康状态预测方法，其特征在于，生成退化影响因子，具体包括以下步骤：

计算每个循环的容量衰减率，提取内阻随时间的变化曲线的斜率，获取时域特征；

通过傅里叶变换，计算信号的低频能量占比和高频分量均方根值，获取频域特征；

基于分布特性分析及相关性分析，计算电压分布偏度及容量与内阻的相关系数，获取统计特征；

采用注意力机制，对时域特征、频域特征和统计特征进行加权融合，生成退化影响因子。

5.根据权利要求1所述的一种基于多参数融合的锂电池健康状态预测方法，其特征在于，混合模型包括依次连接的输入层、时序特征提取层、全局特征交互层、全连接层和输出层；

输入层，用于接收退化影响因子并将退化影响因子按时间序列进行整理，形成适合模型输入的张量形式；

时序特征提取层采用双层LSTM单元，用于捕捉锂电池在多次充放电循环中电池参数随时间的缓慢变化趋势；

全局特征交互层，用于对输入序列中的不同位置进行全局