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！

龙图腾网获悉广东工业大学申请的专利一种基于知识蒸馏的锂电池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：CN120085214B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202510486842.0，技术领域涉及：G01R31/392；该发明授权一种基于知识蒸馏的锂电池SOH估计方法是由谢书阳;陈思哲;杨俊华设计研发完成，并于2025-04-18向国家知识产权局提交的专利申请。

本一种基于知识蒸馏的锂电池SOH估计方法在说明书摘要公布了：本发明公开一种基于知识蒸馏的锂电池SOH估计方法，所述方法包括：采集恒流充电阶段电压数据和恒压充电阶段电流数据，对数据预处理之后形成数据集；搭建教师‑学生知识蒸馏模型，该模型包括局部特征提取模块、时序退化记忆模块和全局交互模块；设计各模块的蒸馏方法，局部特征提取模块采用层注意力蒸馏，时序退化记忆模块采用时序注意力蒸馏，全局交互模块采用特征对齐化蒸馏；通过知识蒸馏，将教师模型提取的锂电池退化特征迁移至学生模型，得到轻量化SOH估计模型；使用轻量化SOH估计模型在线估计SOH。本发明搭建了知识蒸馏框架，将知识从复杂的教师模型转移至轻量的学生模型，在实现锂电池SOH的高精度估计的同时显著减少模型参数数量。

本发明授权一种基于知识蒸馏的锂电池SOH估计方法在权利要求书中公布了：1.一种基于知识蒸馏的锂电池SOH估计方法，其特征在于，具体步骤如下： S1：锂电池数据集采集，即对多个相同型号的锂电池进行恒流-恒压充电和恒流放电，在每次充放电过程中，在恒流、恒压充电阶段分别采集并记录恒流充电阶段电压数据和恒压充电阶段电流数据，在每次放电结束后计算锂电池在本次循环中的SOH值；对锂电池老化数据集进行预处理；将上述数据划分成训练集、验证集与测试集，其中训练集用于教师-学生模型联合优化，验证集用于超参数调优，测试集用于最终性能评估； S2：搭建教师-学生知识蒸馏模型，所述模型由以下三个功能模块构成： 局部特征提取模块：包括教师模型的卷积神经网络CNN与学生模型的轻量化CNN，其中教师模型的CNN的深度为学生模型的1.5~2倍，且每层卷积核数量不低于学生的1.2倍； 时序退化记忆模块：包括教师模型的双向长短时记忆网络Bi-LSTM与学生模型的单向长短时记忆网络LSTM，其中教师模型的双向长短时记忆网络的隐藏层维度为学生模型的1.5倍； 全局交互模块：教师模型的Transformer编码器与学生模型的全连接神经网络FCNN构成，所述Transformer编码器包含多头自注意力机制，所述FCNN的隐藏层数量不超过3层； S3：设计各模块的蒸馏方法，具体步骤包括：首先对局部特征提取模块使用层注意力蒸馏方法，对齐教师模型与学生模型的卷积层输出特征；对时域特征提取模块使用时序注意力蒸馏方法，通过时序注意力蒸馏模块对齐教师模型Bi-LSTM与学生模型LSTM的时序注意力分布；对全局特征提取模块使用特征对齐化蒸馏方法，将教师模型Transformer的自注意力特征映射至学生模型全连接层；设计总蒸馏损失函数，迭代优化学生模型参数； S4：使用训练集对教师模型进行独立预训练，在教师模型的参数收敛之后，冻结教师模型的所有参数，并基于S3中的蒸馏方法对学生模型进行知识迁移训练；然后利用验证集对学生模型的超参数进行调整，防止过拟合；最后采用测试集对训练完成的学生模型进行性能验证，使用均方根误差和平均绝对值进行模型性能评估； S5：在线估计锂电池SOH，即在锂电池实际充放电过程中，采集充电过程中的恒压充电阶段电流数据和恒流充电阶段电压数据，按照S1的方法对恒压充电阶段电流数据和恒流充电阶段电压数据进行数据预处理后，输入到S4所述的训练完成的学生模型中，使其输出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广东工业大学，其通讯地址为：510006 广东省广州市番禺区小谷围街道广东工业大学；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。