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！

龙图腾网获悉中国矿业大学申请的专利基于联邦持续学习优化电池健康状态预测模型方法及设备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：CN120180101B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202510653790.1，技术领域涉及：G06F18/213；该发明授权基于联邦持续学习优化电池健康状态预测模型方法及设备是由陈杨;李翔翔;许恒;陆佳锰;陈炳齐;孙晓燕;姚香娟;赵祉岳;彭阳;董犇设计研发完成，并于2025-05-21向国家知识产权局提交的专利申请。

本基于联邦持续学习优化电池健康状态预测模型方法及设备在说明书摘要公布了：本发明公开了基于联邦持续学习优化电池健康状态预测模型方法及设备，涉及电池健康管理技术领域。该方法包括：S1、本地训练电池健康状态SOH预测模型与数据监测模型，上传本地参数到中央服务器，中央服务器整合后下发，重复训练至损失函数收敛，并等待本地训练与联邦学习重新训练指令；S2、SOH预测模型输出电池健康度并由数据监测模型输出数据漂移异常度；S3、根据数据漂移异常度判断SOH预测模型输出结果准确度，通过参数微调触发本地训练及模型重新训练触发的联邦再学习持续优化SOH预测模型。本发明实现了多车载电脑端电池预测模型的联合优化，在使用中持续优化模型性，使模型不断适应新数据，实现模型终身学习。

本发明授权基于联邦持续学习优化电池健康状态预测模型方法及设备在权利要求书中公布了：1.基于联邦持续学习优化电池健康状态预测模型方法，其特征在于，具体步骤如下： 步骤S1、联邦学习模型训练，车载电脑端与中央服务器搭建架构相同的电池健康状态SOH预测模型与数据监测模型，各车载电脑端收集并预处理本地电池充放电数据，在本地训练模型后上传局部模型参数到中央服务器，并由中央服务器整合参数并下发回各车载电脑端，重复训练至损失函数都收敛； 步骤S2、利用电池健康状态SOH预测模型输出电池健康度，并通过数据监测模型输出数据漂移异常度，评估电池健康状态SOH预测模型的性能； 步骤S3、选择优化方式及持续优化，根据数据漂移异常度，选择电池健康状态SOH预测模型优化方式并根据优化方式进行持续优化； 在步骤S1中，电池健康状态SOH预测模型结构如下：预处理后的数据，经由包含多个全连接层或卷积层的特征提取层，从中提取高层次特征，随后由全连接层构成的映射层，借助非线性激活函数，来捕捉数据中的复杂关系，将特征数据进一步转化为具体特征表示并输出预测结果，最后退化模拟层通过附加物理约束模拟电池衰减率；数据监测模型结构如下：输入与电池健康状态SOH预测模型相同数据并复制特征提取层参数到拟合层使两个模型在前端有相同的特征数据输出，特征数据通过映射层输出特征向量，再由解映层将数据还原计算重构误差，最后通过高斯混合模型计算模型性能； 联邦学习模型训练的具体步骤如下： 步骤S11、车载电脑端从中央服务器下载当前的电池健康状态SOH预测模型与数据监测模型，参数包括隐藏层层数及神经元个数H、激活函数，分解局部模型参数为全局共享参数与特定参数，参数矩阵，为偏置项； 步骤S12、车载电脑端整理准备其本地存储的充电数据并进行数据清洗与预处理，并按照6:2:2的比例进行划分，确定训练集，验证集和测试集； 步骤S13、使用训练集数据对下载的电池健康状态SOH预测模型与数据监测模型进行训练，通过前向传播计算模型输出，通过计算损失函数进行反向传播，计算模型参数梯度，并利用梯度下降法更新模型的全局共享参数，特定参数，偏置项，多次迭代直至两个模型损失函数都收敛； 步骤S14、车载电脑端将更新后的全局共享参数和偏置项通过同态加密算法发送回中央服务器，等待中央服务器对所有上传的模型参数进行聚合，并下发新的模型参数，迭代进行下一轮训练，直到两个模型损失函数都收敛；其中，分别为聚合后的参数矩阵、全局参数和偏置项。

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中国矿业大学，其通讯地址为：221116 江苏省徐州市铜山区大学路1号中国矿业大学南湖校区；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”。