摘要：电池是目前最重要的储能技术之一，传统的电池研发方法研发周期长，研发成本高。将人工智能技术应用到电池研发领域不仅能够提高研发效率，还能寻求技术上的突破。对人工智能技术在电池研发领域的专利申请情况进行分析，主要包括专利申请态势、技术布局主要目标国、国际分类号统计分析、技术分支占比以及重要技术分支方面。希望为该领域创新主体未来的研究方向和技术借鉴提供参考信息｡

关键词：人工智能，电池研发，专利申请

0 引言

电池储能是重要的储能技术之一，该技术的发展促进了消费电子产品的广泛应用以及新能源汽车在市场上的推广。电池储能技术的发展依赖于电池研发｡传统的电池研发主要采用实验试错法，例如，在电池材料的选取上，通过理论研究确定出所有的可能性，然后逐一试验验证，也因此导致电池研发周期长、研发成本高。2018年，中国科学院院士鄂维南提出了“AI for Science”的概念，提出将人工智能技术应用到科学研究上^[1]，希望新技术可以在传统的科学研究领域上实现突破和变革。基于这一概念，科研人员开始将人工智能技术引入到材料、工业制造等领域的研究中。电池研发领域集成了电池材料的设计和电池的制造，使得电池研发成为人工智能技术落地的应用场景之一｡2021年，Lombardo等^[2]主要探讨了人工智能技术应用到电池研发领域中是“炒作”还是现实的问题，总结了人工智能技术在电池研发领域上的研究成果，得出“人工智能用于电池研发并非炒作”的结论。由此可见，人工智能技术已经逐渐应用到电池研发领域，引领电池储能的发展与变革｡

专利对技术创新的保护促进了高科技产业的发展，企业和科研院所积极开展专利布局以保护人工智能技术在电池研发领域的技术成果。本文以该领域涉及的关键技术为出发点，梳理专利申请态势、技术布局主要目标国、国际分类号统计分析、技术分支占比以及重要技术分支分析等方面，为企业和科研院所的研发工作和专利布局提供参考信息。本文专利申请数据来源于INCOPAT全球专利数据库，检索关键词包括电池、电解质、电解液、设计、健康、老化等，检索使用的国际专利分类号包括G01R、G06N等，检索截止日期为2025年4月14日。检索结果经过简单同族合并和数据清洗后，得到相关专利申请共计3356件｡

1 专利申请分析

1.1 专利申请态势

图1为人工智能技术在电池研发领域的全球专利申请态势。1990年出现了人工智能技术在电池研发领域的专利申请，直到2015年相关专利申请都平稳地保持在一定数量上。2016年，“人工智能”概念引爆全球，各个领域都开始引用人工智能解决技术问题。人工智能技术在电池研发领域的全球专利申请量有了一定的增长，但增长幅度并不显著。随着2018年“AI for Science”概念的提出，人工智能技术自2019年开始在电池研发领域的全球专利申请量呈爆发式增长。2024年的专利申请量达到了巅峰值939件，相较于2019年的144件增长了6倍多｡

1.2 技术布局主要目标国

人工智能技术在电池研发领域的技术布局以中国、韩国、日本和美国为主。图2展示了这四个国家专利申请量的占比。从图2可以看出，2010年之前技术布局以韩国、日本、美国为主，2010年开始有了在中国布局的专利申请。随着时间的推移，在中国布局的专利申请量越来越多，到2024年在中国布局的专利申请量超过80%。与此相反，日本的专利申请量占比则越来越少。随着中国电池制造公司的崛起以及中国积极推动人工智能技术在各领域的发展，国内申请人开始重视该领域的技术研发和专利布局，同时也吸引了国外申请人对中国市场的重视，积极在中国开展专利布局。此外，美国和韩国分别排在第二名和第三名。美国是全球主要的消费市场之一，并且有着多家人工智能领域的公司和电池研发公司，因此这些创新主体积极在美国开展专利布局。韩国的电池制造公司也积极在韩国进行专利布局｡

1.3 国际分类号统计分析

图3为主要的国际分类号大组。排在前两位的国际分类号大组是G01R31（电性能的测试装置；电故障的探测装置；以所进行的测试在其他位置未提供为特征的电测试装置）和G06N3（基于生物学模型的计算机系统）。G01R31的小组主要包括G01R31/367（其软件，例如使用建模或查找表进行电池测试）、G01R31/392（确定电池老化或退化，例如健康状态）、G01R31/396（获取或处理用于测试或监测电池内单个电池或电池组的数据）、G01R31/378（特别适用的电池或蓄电池类型）、G01R31/36（用于测试、测量或监测蓄电池或电池的电气状况的设备，如用于测试容量或充电状态）。G06N3的小组主要包括G06N3/08（学习方法）、G06N3/0442（以记忆或门控为特征，例如长短期记忆（Long Short-Term Memory，LSTM）或门控循环单元）、G06N3/0464（卷积网络）。从主要的国际分类号大组上可以看出，该领域属于电化学领域和计算机领域的交叉领域。这就要求科研人员需要同时具备电化学领域和计算机领域的基础知识，既能发现电池研发领域的难点痛点，也能掌握人工智能技术中各个模型的原理并熟练应用｡

1.4 技术分支占比

Lombardo等^[2]主要分析了人工智能技术在材料设计与合成、电极和电池制造、材料和电极结构表征、电池单元诊断和预测及其他电池应用领域的应用。朱振威等^[3]研究了人工智能在电池材料研究、电池器件设计与制造、材料与器件表征、电池循环寿命与安全性评估等方面的应用。Liu等^[4]主要分析了人工智能技术在电池制造、智能电池、健康状态估计、老化预测、可控模型建立和电池充电等方面的作用。结合上述技术分支以及在专利数据库中的检索结果，人工智能技术在电池研发领域的技术分支主要包括5个方面：电池材料设计、电池制造、材料表征、健康状态评估、充电策略。电池材料设计是指对活性电极材料、电解质、电解液等的筛选和预测；电池制造是指通过制造参数优化和提升电池的制造；材料表征^[5]主要包括谱学表征、成像表征和电化学测量，具体包括振动谱、质谱、衍射谱、电化学阻抗谱、伏安法等；健康状态评估主要包括电池剩余寿命的预测、老化状态估计、健康状态（State of Health，SOH）估计等；充电策略是指通过人工智能技术提高充电效率或建立健康的充电策略。技术分支专利申请量的占比则如图4所示。从图中可以看出，电池制造专利申请量的占比最低，只有5%，主要在于缺少高质量的公开数据集。人工智能技术的各个模型需要高质量的数据集进行训练，缺少高质量的数据集则很难开展研究工作。电池制造领域的数据主要是制造过程中的相关参数，这些数据主要集中在电池制造公司的手中，其他科研人员不易获取到这些数据，也就很难在这个领域中进行研究，这也导致了人工智能技术在电池制造领域的专利申请量最少。健康状态评估的专利申请量占比最高，达到了62%。健康状态评估的相关参数可以是电压、电流、温度等，这些参数通过传感器、测量工具等在实验室的环境下即可得到，使得科研人员获取到这些高质量数据集较为容易，也使得科研人员积极开展研究工作并积极进行专利布局。由此可以看出高质量数据集在人工智能领域发展的重要性。电池材料设计的专利申请量占比为8%，是第二低的技术分支。电池材料设计的数据集可以从电池材料的相关论文中获取，通过文本挖掘技术，经过数据清洗等形成高质量的数据集^[3]。因此，高质量数据集并不是影响该技术分支专利申请量的主要原因。电池材料设计属于底层研究，其需要遵循客观的物理规律，这也限制了材料的选择和组合，使得该技术分支的专利申请量较少｡

2 重要技术分支分析

本文主要选取电池材料设计、电池制造、健康状态评估三个技术分支进行重点分析，这三个技术分支属于电池研发中的重要环节，分别属于材料领域、制造领域和检测领域｡

2.1 电池材料设计

在该技术分支中，国际分类号小组占比最高的是G16C20/70（化学信息学的机器学习、数据挖掘或化学统计学），占比达到20.4%。由此可以看出，这一国际分类号小组正好适用于材料领域与计算机领域的交叉领域。高契合的国际分类号小组便于审查员和科研人员进行检索。专利申请量前5的申请人包括三星、Enevate、大众、中国科学院大连化学物理研究所、腾讯，其中国外申请人占比更高。三星是韩国综合性的科技公司，其经营范围包括电池制造，是较早开展专利布局的公司，其在2018年提交了电池材料设计相关的专利申请。Enevate^[6]是一家开发电动汽车电池技术的美国公司。大众虽然是一家传统的德国汽车制造公司，但也建立了主营电池业务的公司。中国科学院大连化学物理研究所是一家基础研究和应用研究相结合的研究所，腾讯则是中国计算机领域领先的公司之一｡代表性专利申请包括腾讯提出的一种电解液溶剂化结构预测方法^[7]。该方法主要从电解液配方中获取电解液成分的各自分子结构表示和浓度，将分子结构表示和浓度分别转化为分子图向量和浓度特征向量，依次进行分子内信息学习处理和分子间基于注意力机制的卷积处理得到结果，根据该结果确定各电解液成分分配比的溶剂化结构｡

2.2 电池制造

在该技术分支中，国际分类号大组占比排在前两位的是G06N3（基于生物学模型的计算机系统）和H01M10（二次电池及其制造），前者占比高达40%，后者占比为37.6%。这两个国际分类号大组分别属于人工智能领域和电池制造领域，并且占比相差不大。在检索专利申请时可以使用人工智能领域和制造领域的国际分类号相结合的方式。由于缺乏高质量的数据集，因此，在这一技术分支中，专利申请量最多的两位申请人分别是LG和三星，LG和三星都属于全球前十大电池制造公司。代表性专利申请包括LG提出一种电池电芯工艺数据分析方法^[8]，该方法首先获取电池电芯的工艺数据，基于工艺数据得出电池电芯预测容量，计算出预测容量与实际容量的差值，使用人工智能算法来确定出影响差值的工艺参数。其中，工艺参数可以包括与电极工艺、组装工艺和激活工艺相关的参数。电极工艺参数包括单位面积的电极材料的加载量、电极的尺寸和厚度等；组装工艺参数包括阳极、隔膜和阴极的加载方法、电解质的量等；激活工艺参数包括电芯的充放电次数、充放电过程中的温度和压力等｡三星则提出了一种预测电池厚度的方法^[9]，从电池数据中筛选目标数据，使用机器学习算法预测电池厚度｡电池数据包括设计参数、工艺参数、性能参数。设计参数包括电池容量、能量密度、电池高宽比等；工艺参数包括初始厚度、截止充电电压等；性能参数包括老化温度、老化时间等。上述两个专利申请选取了与电池相关的多种类型参数，其中包括电池制造过程中的参数，通过人工智能算法筛选出影响结果的参数。与传统的实验试错法相比，大大缩短了研发时间，提高了研发效率，节省了研发成本｡

2.3 健康状态评估

在该技术分支中，国际分类号小组占比最高的是G01R31/392（确定电池老化或退化，例如健康状态），占比达到65.3%；紧随其后的是G01R31/367（用于测试、测量或监测蓄电池等电气状况的软件）、G06N3/08（学习方法），占比分别为64.4%、17.6%。由此可以看出，健康状态评估领域和人工智能领域分别有相关的国际分类号小组，两者占比差距较大，健康状态评估领域的国际分类号小组占比更大。因此，在检索专利申请时，可以使用两个领域国际分类号小组相结合的方式，也可以使用健康状态评估领域的国际分类号小组与关键词相结合的方式｡

图5为健康状态评估技术分支的技术布局目标国。从图5中可以看出，在中国布局的专利申请量占比达到82%，紧随其后的是印度、美国和韩国，分别为5%、5%和4%。中国是消费电子产品和新能源汽车的主要市场，因此吸引了众多企业和科研院所在中国开展专利布局。印度也吸引了全球企业和科研院所，这些创新主体在印度积极开展专利布局。美国拥有庞大的消费市场以及人工智能领域和电池研发领域的企业和科研院所，因此，这些创新主体也积极在美国进行专利布局｡

图6展示了健康状态评估技术分支的前十位申请人排名。其中，只有三星一家韩国的科技公司，其他九名申请人均来自中国。中国申请人包括7所高校，分别是重庆大学、北京航空航天大学、合肥工业大学、电子科技大学、浙江大学、北京理工大学、西安交通大学｡国家电网及其直属科研单位中国电力科学研究院也积极在健康状态评估技术分支上进行专利布局。代表性专利申请包括重庆大学提出的一种基于移植神经网络的电池容量衰减轨迹预测方法^[10]。该方法对动力电池进行了电池老化实验，采集电池测试数据，根据电池测试数据，计算电池的容量衰减，生成移植神经网络训练数据并对移植神经网络模型进行训练，基于移植神经网络模型对衰减较慢的电池未来容量轨迹进行预测｡

3 结束语

从三个重要技术分支的主要申请人来看，电池材料设计和电池制造技术分支上的主要申请人国外居多。国内申请人未来可以重点在这两个技术分支开展技术创新和专利布局。人工智能技术在电池研发领域属于交叉领域，对科研人员的知识储备要求更高，电池制造公司可以与计算机领域的公司和科研院所开展科研合作，加快研发工作。人工智能技术的发展依赖于高质量的数据集，为了使人工智能领域技术在电池研发领域更好地发展，电池制造公司可以公开一部分电池制造相关的数据集。专利申请中的技术创新还属于理论上的研究，这些技术创新能否应用到电池量产上真正实现电池储能的变革，还需要工业上的验证｡

参考文献

[1]环球网.AI for Science：科学研究新范式[EB/OL].（2023-05-10）[2025-04-23].https：//www.news.cn/globe/2023-05/10/c_1310715935.htm.

[2]LOMBARDO T，DUQUESNOY M，EL-BOUYSIDY H，et al.Artificial intelligence applied to battery research：hype or reality？[J].Chemical Reviews，2022，122（12）：10899-10969.

[3]朱振威，邱景义，王莉，等.人工智能在锂离子电池研发中的应用[J].电化学（中英文），2022，28（12）：6-27，5.

[4]LIU K，WEI Z，ZHANG C，et al.Towards long lifetime battery：AI-based manufacturing and management[J].IEEE/CAA Journal of Automatica Sinica，2022，9（7）：1139-1165.

[5]邢瑞鹤，翁素婷，李叶晶，等.AI辅助电池材料表征与数据分析[J].储能科学与技术，2024，13（9）：2839-2863.

[6]国际文传电讯社.Enevate下一代电池技术为电动汽车（EV）生产过程带来更低碳足迹[EB/OL].（2021-06-23）[2025-04-23].https：//news.qq.com/rain/a/20210623A07ICP00.

[7]腾讯科技（深圳）有限公司.电解液溶剂化结构预测方法、装置和计算机设备：CN202211108500.8[P].2023-11-10.

[8]株式会社LG新能源.电池电芯工艺数据分析系统和方法：CN202380024683.1[P].2024-10-18.

[9]Samsung SDI Co.，Ltd..System for predicting thickness of battery and method for predicting thickness of battery：US9477931B2[P].2016-10-25.

[10]重庆大学.一种基于移植神经网络的电池容量衰减轨迹预测方法：CN202010060435.0[P].2022-03-29.

作者简介：王琦瑶 国家知识产权局专利局专利审查协作北京中心助理研究员，长期从事电学领域发明专利审查工作