(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111609217.9 (22)申请日 2021.12.27 (71)申请人 华北电力大 学 地址 102206 北京市昌平区北农路2号 (72)发明人 李美成　陈泽西　蒋思宇　张妍　 王龙泽　焦淑涔　张德隆　麻艺译　 (51)Int.Cl. G06N 20/00(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 21/60(2013.01) G06F 21/62(2013.01) H02J 7/00(2006.01) (54)发明名称 一种基于横向安全联邦学习的锂电池SOH估 计方法 (57)摘要 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。 权利要求书3页 说明书7页 附图2页 CN 114358310 A 2022.04.15 CN 114358310 A 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：权　利　要　求　书 1/3 页 2 CN 114358310 A 2其中， x′表示归一化后的数据， x表示原始样本数据， xmin表示x的最小值， xmax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。 6.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5中所述的本地模型训练具体包括： (1)本地客户端接收聚合 服务器下发的含有初始参数W0的初始RN N模型； (2)本地模型进行训练时， 使用本地数据拆分得到的训练数据集和验证数据集， 训练 RNN， 调整RN N的超参数， 得到适 合本地的RN N模型； (3)本地模型参数初始更新， 对本地更新模型参数是训练得到的权重(更新操作由本地 客户端k， k ＝1， 2，···， N并行执行)： 其中， W1(k)是本地客户端更新后的本地模型参数。 若第一学习完成后的全局模型不满足收敛条件， 则本地模型参数进行迭代更新(更新 操作由本地 客户端k， k ＝1， 2，···， N并行执行)： 首先， 本地客户端对接收到的全局模型进行解密， 获得最 新模型参数： 其中， l是全局模型更新的轮次， l＝1， 2， ···， C； Dec是解密函数， sk是解密的私钥。 是第l次全局更新 时聚合服务器发布的加密权重参数， 是本地解密后得到的第 l次 全局更新时聚合 服务器发布权 重参数。 本地客户端k， 将本地数据集DK划分为批量M的大小， 从上一次迭代获得本地模型参数： 从1到批量数量B的批量序号b计算批梯度和本地更新模型参数： 其中， η为学习率。 获得本地模型参数 更新： 其中P为本地 最大迭代次数；权　利　要　求　书 2/3 页 3 CN 114358310 A 3