[发明专利]一种基于横向安全联邦学习的锂电池SOH估计方法

权利要求书

1.基于横向安全联邦学习的锂电池SOH估计方法，包括以下步骤：

步骤1.搭建横向安全联邦学习的轮辐式架构，明确参与横向安全联邦学习的储能电站，将各电站作为本地客户端，并根据估计要求选取一个可信的聚合服务器节点；

步骤2.本地客户端收集一段时间内的电池老化特征数据，构成本地源数据；

步骤3.根据估计要求明确聚合服务器的初始模型和初始化模型参数W₀；

步骤4.对步骤2中的本地源数据进行数据预处理，得到本地数据，并将参与横向安全联邦学习的多个电站的本地数据进行数据特征对齐；

步骤5.聚合服务器下放初始模型给各个本地客户端，本地客户端根据初始模型和本地数据进行模型训练；

步骤6.本地客户端将训练得到的模型参数经过同态加密，上传至聚合服务器；

步骤7.聚合服务器对收集到的参数利用FedAvg算法进行整合，得到新的模型参数，检查参数是否收敛；

步骤8.聚合服务器下放更新后的全局模型参数；

步骤9.重复步骤5-8进行全局迭代更新，直至损失函数收敛。

2.根据权利要求1所述的基于横向安全联邦学习的锂电池SOH估计方法，其特征在于，步骤1中所述搭建横向安全联邦学习的轮辐式架构具体包括：

(1)横向安全联邦学习的轮辐式架构为一个聚合服务器与N个客户端(N≥2)可以双向通信，而任意两个客户端之间不能彼此通信的结构；

(2)聚合服务器节点不能由参与横向安全联邦学习的储能电站担任，可选一个可信的其他方担任；

(3)为防止恶意的本地客户端节点扰乱学习秩序，当至少有的本地客户端认同所选聚合服务器时，聚合服务器选择完毕，且在后续训练中不会更改。

3.根据权利要求1所述的基于横向安全联邦学习的锂电池SOH估计方法，其特征在于，步骤2中所述的电池老化信息包括放电端电压、电流、温度数据和电池额定容量数据。

4.根据权利要求1所述的基于横向安全联邦学习的锂电池SOH估计方法，其特征在于，步骤3中所述的明确聚合服务器初始模型具体包括：根据电池SOH估计要求在聚合服务器中设置RNN为即将下放的初始模型，同时确定初始模型中输入数据特征的类型，并将类型广播给各本地客户端。

5.根据权利要求1所述的基于横向安全联邦学习的锂电池SOH估计方法，其特征在于，步骤4中所述的本地源数据预处理和本地数据特征对齐具体如下：

(1)本地客户端进行本地源数据预处理时，首先进行特征提取；

(2)本地客户端进行本地源数据预处理时，其次进行数据清洗，去除数据中可能存在的一些离群值；

(3)本地客户端进行本地源数据预处理时，最后进行数据归一化处理，消除不同输入特征之间数据单元和尺度的差异对基于横向安全联邦学习的锂电池SOH估计方法性能的影响,归一化后，输入数据的值会缩放到[0，1]的范围。本专利采用常用的最小—最大归一化方法：

其中，x′表示归一化后的数据，x表示原始样本数据，x_min表示x的最小值，x_max表示x的最大值；

(4)本地客户端需要根据聚合服务器广播的数据特征类型，结合本地源数据进行筛查，剔除多余的数据特征，以确保N个本地客户端的本地数据满足数据特征对齐；

(5)本地客户端将预处理和数据特征对齐后的本地数据，按照7∶2∶1拆分为训练数据集、验证数据集和测试数据集。