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！

龙图腾网获悉福州大学申请的专利一种基于强化学习的电池组均衡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：CN116674431B 。

龙图腾网通过国家知识产权局官网在2026-04-24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：202310608277.1，技术领域涉及：B60L58/22；该发明授权一种基于强化学习的电池组均衡方法是由王亚雄;杨庆伟;梁非凡;欧凯设计研发完成，并于2023-05-27向国家知识产权局提交的专利申请。

本一种基于强化学习的电池组均衡方法在说明书摘要公布了：本发明涉及一种基于强化学习的电池组均衡方法，包括：根据电池组中单体电池的额定容量及均衡系统中均衡拓扑参数确定电池组均衡过程的均衡目标和约束条件；以电池组均衡器的均衡电流控制量建立均衡系统智能体的动作空间，以电池组的不一致性状态信息和该状态信息下智能体产生的均衡电流控制量建立均衡系统智能体的状态空间；建立Actor‑Critic架构的深度学习网络，并构建基于双延迟深度确定性策略梯度算法的深度强化学习均衡策略；设计电池均衡系统奖励函数，训练深度强化学习均衡策略，并在每个训练回合随机初始化单体电池的SOC状态；利用训练好的强化学习均衡策略进行电池组均衡控制。该方法有利于缩短电池组均衡时间，减少电池组均衡过程中的能量浪费。

本发明授权一种基于强化学习的电池组均衡方法在权利要求书中公布了：1.一种基于强化学习的电池组均衡方法，其特征在于，包括以下步骤： 步骤1：根据电池组中单体电池的额定容量以及均衡系统中均衡拓扑参数确定电池组均衡过程的均衡目标和约束条件； 步骤2：以电池组均衡器的均衡电流控制量建立均衡系统智能体的动作空间，以电池组的不一致性状态信息和该状态信息下智能体产生的均衡电流控制量建立均衡系统智能体的状态空间； 步骤3：建立Actor-Critic架构的深度学习网络，并基于此构建基于双延迟深度确定性策略梯度算法的深度强化学习均衡策略； 步骤4：设计电池均衡系统奖励函数，初始化深度强化学习均衡策略的训练参数，然后对深度强化学习均衡策略进行训练，并在每个训练回合随机初始化单体电池的SOC状态； 步骤5：利用训练好的强化学习均衡策略进行电池组均衡控制； 所述步骤1中，单体电池额定容量由表示，C表示对应单体电池的额 定容量，双向相邻型均衡拓扑参数表示为： 其中m=2n，ηd为电池充电库伦效率，ηc为电池放电库伦效率； 均衡过程的均衡目标为： 其中ε是电池组一致性最大容许误差，∆SOC=SOCmax-SOCmin表示电池SOC的极差； 均衡过程的约束条件为： 其中，Ich,i为充电电流，Ich,max为电池最大可充电电流，Idis,i为放电电流，Idis,max为电池最大可放电电流，Ieq,i为ICE电流，Ieq,max为电池均衡器最大均衡电流； 所述步骤2中，均衡电流控制量以u=[u1,u2,…,ui,…,uN]表示，其中u∈[-1,1]，正负号表示充放电状态，ui表示当前均衡电池的均衡电流控制量，将ui进一步表示为ui1+ui2，在双向相邻型拓扑中ui1ui2=0，当ui≤0时，ui1=0，ui2=|ui|，当ui0时，ui1=|ui|，ui2=0； 智能体的动作空间为a=[u11+u12,…,ui1+ui2,…,uN1+uN2]，将动作空间转换为标准的均衡控制向量u=[u11,u12,ui1,ui2,…,uN1,uN2]Tm×1，其中m=2N，转换后u∈[0,1]为等效均衡电流系数或MOSFET的占空比； 电池组的不一致性状态信息包括单体电池间SOC差值SOCdiff和单体电池极差∆SOC，智能体的状态空间为s=[SOCdiff,a,∆SOC]，其中，SOCdiff=[SOCdiff1,SOCdiff2,…,SOCdiffj,...,SOCdiffN]，SOCdiffj为第j个单体电池与第j+1个单体电池之间的SOC差值，SOCdiffN为首尾单体电池间SOC差值。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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”。

以上内容由龙图腾AI智能生成。