电池状态确定方法、装置、设备及存储介质

本申请涉及电池管理，具体而言，涉及一种电池状态确定方法、装置、设备及存储介质。

背景技术：

1、随着电池管理系统向分布式、智能化方向发展，高精度状态估计算法在边缘设备上的部署需求日益迫切。传统数据驱动神经网络面临两难困境：大型模型精度高但难以在资源受限的嵌入式硬件上实时运行；轻量化模型虽适合边端部署，但精度难以满足实际应用需求。

2、知识蒸馏技术为这一矛盾提供了可行路径，通过将教师模型的知识迁移至学生模型，实现模型压缩与性能保持。然而，现有蒸馏方法多面向图像分类任务，依赖类别概率分布作为知识载体。在电池状态估计等时间序列回归任务中，网络输出为连续数值而非概率分布，传统响应式蒸馏难以提供超越真实标签的有效监督。

技术实现思路

1、有鉴于此，本申请提供一种电池状态确定方法、装置、设备及存储介质，以至少解决相关技术中存在的问题。

2、具体地，本申请是通过如下技术方案实现的：

3、本申请提供了一种电池状态确定方法，包括：

4、获取学生网络以及教师网络；

5、以所述学生网络的预测层结构为基准，对所述教师网络的输出层进行对齐重构处理，得到重构教师网络；

6、获取电池数据样本集，并利用所述电池数据样本集对所述重构教师网络进行有监督训练，得到训练好的教师网络；所述电池数据样本集包括多个电池数据序列样本，所述电池数据序列样本包括一个时间窗口内的电池数据；

7、固定所述训练好的教师网络的网络参数，利用所述电池数据样本集，对所述学生网络进行知识蒸馏训练，得到训练好的学生网络；

8、获取目标电池的运行数据，将所述运行数据输入至所述训练好的学生网络，得到所述目标电池的电池状态；所述电池状态包括荷电状态、健康状态、功率状态以及剩余使用寿命状态中的至少一种。

9、本申请还提供了一种电池状态确定装置，包括：

10、网络获取模块，用于获取学生网络以及教师网络；

11、网络重构模块，用于以所述学生网络的预测层结构为基准，对所述教师网络的输出层进行对齐重构处理，得到重构教师网络；

12、网络训练模块，用于获取电池数据样本集，并利用所述电池数据样本集对所述重构教师网络进行有监督训练，得到训练好的教师网络；所述电池数据样本集包括多个电池数据序列样本，所述电池数据序列样本包括一个时间窗口内的电池数据；

13、蒸馏训练模块，用于固定所述训练好的教师网络的网络参数，利用所述电池数据样本集，对所述学生网络进行知识蒸馏训练，得到训练好的学生网络；

14、状态预测模块，用于获取目标电池的运行数据，将所述运行数据输入至所述训练好的学生网络，得到所述目标电池的电池状态；所述电池状态包括荷电状态、健康状态、功率状态以及剩余使用寿命状态中的至少一种。

15、本申请还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述实施例中任一所述的电池状态确定方法的步骤。

16、本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现前述实施例中任一所述的电池状态确定方法的步骤。

17、本申请还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器运行时执行如上述任一种可能的电池状态确定方法的步骤。

18、本申请的实施例提供的技术方案可以包括以下有益效果：

19、本申请实施例中，区别于现有技术中保持教师网络不变、仅让学生网络去模仿教师的常规做法，以学生网络的预测层结构为基准对教师网络的输出层进行对齐重构，变“教师主导”为“学生导向”，使跨架构知识蒸馏不再受限于师生网络结构差异过大的瓶颈。这种逆向对齐思路突破了传统知识蒸馏在异构网络场景下的适用性限制，显著拓展了知识蒸馏技术的应用范围。

20、进一步的，经过结构对齐和知识蒸馏训练后，轻量化的学生网络能够继承教师网络的高精度预测能力。相比直接训练的小模型，经蒸馏训练的学生网络在电池状态估计任务上取得了显著的精度提升，在参数量大幅压缩的条件下仍能保持接近教师网络的预测性能。

21、此外，学生网络采用轻量化结构设计，参数量远小于教师网络。经过知识蒸馏训练后，学生网络可在资源受限的嵌入式硬件平台上实时运行，推理延迟低、内存占用小，满足电池管理系统对实时性的严格要求，实现了高精度与轻量化的统一。

22、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的， 并不能限制本说明书。

1.一种电池状态确定方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述学生网络的预测层包括特征估计层以及第一特征降维层；所述教师网络还包括与所述输出层连接的、且位于所述输出层前级的时序预测层；所述以所述学生网络的预测层结构为基准，对所述教师网络的输出层进行对齐重构处理，得到重构教师网络，包括：

3.根据权利要求2所述的方法，其特征在于，所述学生网络的特征估计层包括第一时序建模层；所述向所述教师网络中，添加与所述特征估计层的输入维度信息匹配的特征重构层，包括：

4.根据权利要求2所述的方法，其特征在于，所述特征降维层包括用于降低特征维度的第一降维层以及用于降低时间维度的第二降维层。

5.根据权利要求3所述的方法，其特征在于，所述固定所述训练好的教师网络的网络参数，利用所述电池数据样本集，对所述学生网络进行知识蒸馏训练，得到训练好的学生网络，包括：

6.根据权利要求5所述的方法，其特征在于，所述基于所述第一中间特征以及所述第二中间特征之间的差异，确定第三损失，包括：

7.根据权利要求1-6任一所述的方法，其特征在于，所述电池数据样本集通过以下步骤构建：

8.根据权利要求7所述的方法，其特征在于，所述基于所述多个电池数据序列样本，生成所述电池数据样本集，包括：

9.根据权利要求8所述的方法，其特征在于，所述从所述电池数据序列样本的序列起始时刻起，基于所述序列掩码长度，对所述电池数据序列样本进行掩码增强处理，得到增强电池数据序列样本，包括：

10.一种电池状态确定装置，其特征在于，包括：

11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-9任一所述的电池状态确定方法的步骤。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-9任一所述的电池状态确定方法的步骤。