[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

说明书

一种基于横向安全联邦学习的锂电池SOH估计方法，主要包括如下步骤：搭建横向安全联邦学习的轮辐式架构；明确参与本次横向安全联邦学习的储能电站，各电站收集本地一段时间内的电池老化信息，整合数据信息构成本地源数据；根据估计要求明确聚合服务器的初始模型，并下放至各储能电站，电站在本地进行模型训练；储能电站将训练后的参数上传至聚合服务器；聚合服务器整合参数并下发更新后的参数；储能电站根据下发的参数进行全局更新以完成全局模型训练。本发明可以在保护各电池数据隐私的前提下，破除各电站间的数据孤岛，利用多个数据源来提升电池SOH估计能力。

技术领域

本发明属于电池管理领域，涉及一种基于横向安全联邦学习的锂电池SOH估计方法。

背景技术

储能作为支撑新型电力系统的重要技术和基础装备，其规模化发展已成为必然趋势。得益于锂电池寿命长、充电速度快、容量大的优势，锂电池被广泛应用于储能电站。然而，循环次数的增长会造成内部电化学成分的不可逆退化，导致锂电池的性能逐渐衰减，即电池老化。电池老化会降低电池的可靠性与安全性，导致用电设备性能下降或系统故障，甚至引起火灾等问题。为确保电池的可靠性与安全性，需要进一步探索锂电池的健康管理技术。电池的健康状态(SOH，state ofhealth)是电池健康管理的重要评价指标，可反映电池在使用过程中的健康状况。准确获取锂电池的SOH，是延长蓄电池使用寿命、保证系统安全可靠运行的关键，因此必须对锂电池的SOH进行及时准确地估计。

现阶段对锂电池SOH的估计方法主要有特征法、模型法和数据驱动法。特征法依据电池老化过程中所表现出的特征参量的演变，建立特征量与电池SOH之间的映射关系，进而对SOH进行估算，但是参数检测困难，测量周期长。模型法主要对电池内部的物理及电化学过程进行分析，主要侧重于对电池衰老过程的分析，但是化学模型构建复杂，实践应用难度大。数据驱动法以电池的测试数据为原始样本，通过某种机制从中挖掘出电池性能在电池衰老过程中的演变规律，进而将这种规律用于SOH估算，该方法不需要对电池内部复杂的电化学机理进行精确建模，无需进行电池自身参数辨识，具有较高的可迁移性、鲁棒性与自适应性，但需要收集电池大量历史数据来表征电池衰老过程，数据孤岛情况下的数据收集较为困难。基于上述方法的缺陷，本发明提出了一种基于横向安全联邦学习的锂电池SOH的估计方法，使本地数据得到隐私保护，从而破除数据孤岛，提高数据集的利用范围和利用程度，以提高模型精度。

发明内容

鉴于此，本发明的目的在于提供一种基于横向安全联邦学习的锂电池SOH估计方法，对锂电池的健康状态进行估计。在保护数据隐私的前提下，综合考虑影响电池老化的健康因子对电池健康状态的影响，以提高估计精度。为实现上述目的，本发明所采用的技术方案如下。

一种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1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解密利用FedAvg算法整合，得到新的模型参数.

步骤8.聚合服务器下放更新的全局模型参数。

步骤9.重复步骤5-8进行全局迭代更新，至到损失函数收敛。