CN114358310A - 一种基于横向安全联邦学习的锂电池soh估计方法 - Google Patents

一种基于横向安全联邦学习的锂电池soh估计方法 Download PDF

Info

Publication number
CN114358310A
CN114358310A CN202111609217.9A CN202111609217A CN114358310A CN 114358310 A CN114358310 A CN 114358310A CN 202111609217 A CN202111609217 A CN 202111609217A CN 114358310 A CN114358310 A CN 114358310A
Authority
CN
China
Prior art keywords
local
data
model
aggregation server
federal learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111609217.9A
Other languages
English (en)
Inventor
李美成
陈泽西
蒋思宇
张妍
王龙泽
焦淑涔
张德隆
麻艺译
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN202111609217.9A priority Critical patent/CN114358310A/zh
Publication of CN114358310A publication Critical patent/CN114358310A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/005—Detection of state of health [SOH]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioethics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Power Engineering (AREA)
  • Secondary Cells (AREA)

Abstract

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。

Description

一种基于横向安全联邦学习的锂电池SOH估计方法
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。
进一步，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)为防止恶意本地客户端节点扰乱学习秩序，当至少有
Figure BDA0003434621230000031
的本地客户端认同所选聚合服务器时，聚合服务器则选择完毕，且在后续训练中不会更改。
进一步，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估计需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。
进一步，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，数据清洗主要是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，归一化是为了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：
Figure BDA0003434621230000041
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；
进一步，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RNN模型。
(2)本地模型进行训练时，用本地数据拆分得到的训练数据集和验证数据集用于训练RNN和调整RNN的超参数，得到适合本地的RNN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)：
Figure BDA0003434621230000042
当第一学习完成后的全局模型不满足收敛条件，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：
Figure BDA0003434621230000051
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。
Figure BDA0003434621230000052
是第l次全局更新时聚合服务器发布的加密权重参数，
Figure BDA0003434621230000053
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：
Figure BDA0003434621230000054
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：
Figure BDA0003434621230000055
Figure BDA0003434621230000056
其中，η为学习率。
获得本地模型参数更新：
Figure BDA0003434621230000057
其中P为本地最大迭代次数。
(4)本地模型训练结果的评估按照留出法进行，测试数据集被用来评估本地数据基于RNN的电池SOH的估计性能。RNN中使用的损失函数采用均方误差(MSE)：
Figure BDA0003434621230000058
其中，Si是真实的SOH值，
Figure BDA0003434621230000059
是基于本地RNN模型训练得到的SOH值。
进一步，步骤6中所述的本地模型参数和相关的损失函数加密上传具体包括：
本地模型参数加密采用Paillier半同态加密算法(更新操作由本地客户端k，k＝1,2,…,N并行执行)
Figure BDA0003434621230000061
Figure BDA0003434621230000062
进一步，步骤7中所述的聚合服务器的参数聚合具体包括：采用安全的FedAvg算法进行聚合，即对收到的模型参数和损失函数进行加权平均，公式为：
Figure BDA0003434621230000063
Figure BDA0003434621230000064
进一步，步骤9中所述的内容包括：若聚合服务器计算损失函数收敛，则模型训练停止，得到新的模型进行电池SOH估计；若在达到最大训练轮次是，聚合服务器计算损失函数未收敛，则采用最后一次得到的全局模型进行电池SOH估计。
有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：本发明基于联邦学习框架以及循环神经网络，在保护数据隐私的前提下破除各电站间的数据孤岛，综合考虑对电池老化影响较大的健康因子，提高了锂电池健康状态的预测精度。并依托横向联邦学习框架，建立了能够实现多个储能电站协同合作训练出全局最优的锂电池SOH估计模型。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明提供的基于横向安全联邦学习的流程图；
图2为本发明提供的基于横向安全联邦学习的轮辐式结构图；
图3为本发明提供的本地模型训练的RNN结构示意图。
具体实施方式：
为使本发明的目的、技术方案和优点更加清楚，下面将通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
请参阅图1～图3，为横向安全联邦学习的锂电池SOH的估计方法，包括以下步骤：
基于横向安全联邦学习的锂电池SOH估计方法，包括如下步骤：
步骤1.搭建横向安全联邦学习的轮辐式架构，将参与学习的储能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。该架构中，聚合服务器与N个客户端(N≥2)可以进行双向通信，而任意两个客户端之间不能彼此通信，且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。为防止恶意本地客户端节点扰乱学习秩序，当至少有
Figure BDA0003434621230000081
的本地客户端认同所选聚合服务器时，聚合服务器则选择完毕，且在后续训练中不会更改。
步骤2.各电站收集本地一段时间内的电池老化特征数据，包所述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。
步骤3.根据电池SOH估计需求在聚合服务器中设置RNN为下放的初始模型，同时确定初始模型中输入数据特征的类型，并将其广播给各本地客户端。
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。首先，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。其次，进行数据清洗，去除数据中可能存在的一些离群值，并用均值补全。最后，进行数据归一化处理，采用常用的最小—最大归一化方法，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：
Figure BDA0003434621230000082
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；
参与本次横向安全联邦学习的客户端数据均是电池的老化信息，因此数据是有重叠的数据特征的，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。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。
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。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RNN模型。
所述RNN内部的神经网络层可以分为三类：输入层，隐藏层和输出层。第一层是输入层，最后一层是输出层，中间的层数都是隐藏层。
ht＝tanh(zt)＝tanh(Wxxt+Whht-1)
St＝σ(Wsht)
其中，ht表示样本在t时刻的记忆，St表示输出，xt是t时刻RNN层的输入信息；Wx、Wh、Ws分别代表输入权重、此时的样本权重和输出的样本权重。ht是根据xt和ht-1计算得到的，包含了历史信息与当前输入信息。计算ht时激活函数通常采用tanh和σ分别代表ht和St的激活函数，其中σ激活函数通常为softmax。
基于循环神经网络的电池SOH估算包含3个输入层、1个隐藏层、1个输出层。
输入层：t时刻的电压Vt、电流It，温度Tt作为模型的输入。
xt＝[Vt,It,Tt]T
隐藏层：t时刻的隐藏层节点为Ht。
Ht＝[ht,1,ht,2,…,ht,n]T
Figure BDA0003434621230000091
输出层：t时刻的SOH作为模型的输出。
Figure BDA0003434621230000092
本地模型进行训练时，用本地数据拆分得到的训练数据集和验证数据集，训练RNN和调整RNN的超参数(如隐藏层中的神经元数目)，得到适合本地数据训练的RNN模型。
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)：
Figure BDA0003434621230000101
其中，
Figure BDA0003434621230000102
Figure BDA0003434621230000103
是本地客户端更新后的本地模型参数。
若第一次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：
Figure BDA0003434621230000104
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。
Figure BDA0003434621230000105
是第l次全局更新时聚合服务器发布的加密权重参数，
Figure BDA0003434621230000106
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：
Figure BDA0003434621230000107
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：
Figure BDA0003434621230000108
Figure BDA0003434621230000111
Figure BDA0003434621230000112
Figure BDA0003434621230000113
其中，η为学习率。
获得本地模型参数更新：
Figure BDA0003434621230000114
其中P为本地最大迭代次数。
(4)本地模型训练结果的评估按照留出法进行，测试数据集被用来评估本地数据基于RNN的电池SOH的估计性能。RNN中使用的损失函数采用均方误差(MSE)：
Figure BDA0003434621230000115
其中，Si是真实的SOH值，
Figure BDA0003434621230000116
是基于本地RNN模型训练得到的SOH值，采用学习率为0.001的ADAM优化算法来寻找最优的RNN参数，以获得损失函数的最小值。
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，公式为：
Figure BDA0003434621230000117
聚合服务器对收集到的损失函数利用FedAvg算法整合，得到新的全局损失，公式为：
Figure BDA0003434621230000121
步骤8.聚合服务器下放更新的全局模型参数。
下放模型时，聚合服务器会提前督促本地客户端检查网络设置，以确保模型参数下放成功。
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。
当全局损失函数小于10-4时，即可认为损失函数收敛，或者当训练次数达到预设的最大训练轮数15时，也可认为训练完成。
最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，但依然可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

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
Figure FDA0003434621220000021
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：
Figure FDA0003434621220000031
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RNN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RNN的超参数，得到适合本地的RNN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)：
Figure FDA0003434621220000032
其中，
Figure FDA0003434621220000033
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：
Figure FDA0003434621220000041
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。
Figure FDA0003434621220000042
是第l次全局更新时聚合服务器发布的加密权重参数，
Figure FDA0003434621220000043
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：
Figure FDA0003434621220000044
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：
Figure FDA0003434621220000045
Figure FDA0003434621220000046
其中，η为学习率。
获得本地模型参数更新：
Figure FDA0003434621220000047
其中P为本地最大迭代次数；
(4)本地模型训练结果的评估按照留出法进行，测试数据集被用来评估本地数据基于RNN的电池SOH的估计性能。RNN中使用的损失函数采用均方误差(MSE)：
Figure FDA0003434621220000048
其中，Si是真实的SOH值，
Figure FDA0003434621220000049
是基于本地RNN模型训练得到的SOH值，特别地SOH为容量比：
Figure FDA00034346212200000410
式中，Q0为新电池出厂时的额定容量；Qaged为投入使用后电池实际的最大可用容量。
7.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，其特征为在于，步骤6中所述的本地模型参数和相关的损失函数加密上传具体包括：
本地模型参数加密采用Paillier半同态加密算法(更新操作由本地客户端k，k＝1,2,…,N并行执行)
Figure FDA0003434621220000051
Figure FDA0003434621220000052
8.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，其特征为在于，步骤7中所述的聚合服务器的聚合操作具体包括：采用安全的FedAvg算法进行聚合，即对收到的模型参数和损失函数进行加权平均，公式为：
Figure FDA0003434621220000053
Figure FDA0003434621220000054
9.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9中所述的内容包括：若聚合服务器计算损失函数收敛，则模型训练停止，得到新的模型进行电池SOH估计；若达到最大训练轮次时，聚合服务器计算损失函数未收敛，则采用最后一次得到的全局模型进行电池SOH估计。
CN202111609217.9A 2021-12-27 2021-12-27 一种基于横向安全联邦学习的锂电池soh估计方法 Pending CN114358310A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111609217.9A CN114358310A (zh) 2021-12-27 2021-12-27 一种基于横向安全联邦学习的锂电池soh估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111609217.9A CN114358310A (zh) 2021-12-27 2021-12-27 一种基于横向安全联邦学习的锂电池soh估计方法

Publications (1)

Publication Number Publication Date
CN114358310A true CN114358310A (zh) 2022-04-15

Family

ID=81100783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111609217.9A Pending CN114358310A (zh) 2021-12-27 2021-12-27 一种基于横向安全联邦学习的锂电池soh估计方法

Country Status (1)

Country Link
CN (1) CN114358310A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115775010A (zh) * 2022-11-23 2023-03-10 国网江苏省电力有限公司信息通信分公司 基于横向联邦学习的电力数据共享方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115775010A (zh) * 2022-11-23 2023-03-10 国网江苏省电力有限公司信息通信分公司 基于横向联邦学习的电力数据共享方法
CN115775010B (zh) * 2022-11-23 2024-03-19 国网江苏省电力有限公司信息通信分公司 基于横向联邦学习的电力数据共享方法

Similar Documents

Publication Publication Date Title
CN112763929B (zh) 一种储能电站系统电池单体健康预测方法及装置
CN109991542B (zh) 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
CN107957562B (zh) 一种锂离子电池剩余寿命在线预测方法
CN110187290B (zh) 一种基于融合型算法的锂离子电池剩余寿命预测方法
CN112241608A (zh) 一种基于lstm网络和迁移学习的锂电池寿命预测方法
CN107918103B (zh) 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法
CN109375116B (zh) 一种基于自编码器的电池系统异常电池识别方法
Zhang et al. Weight optimized unscented Kalman filter for degradation trend prediction of lithium-ion battery with error compensation strategy
CN112434848B (zh) 基于深度信念网络的非线性加权组合风电功率预测方法
CN113406521B (zh) 一种基于特征分析的锂电池健康状态在线估计方法
CN108960321B (zh) 一种大型锂电池储能电站电池故障预测方法
CN109818349B (zh) 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法
CN113962988A (zh) 基于联邦学习的电力巡检图像异常检测方法及系统
CN110687450B (zh) 基于相空间重构和粒子滤波的锂电池剩余寿命预测方法
CN114219147A (zh) 一种基于联邦学习的配电站故障预测方法
Li et al. Edge computing for vehicle battery management: Cloud-based online state estimation
Zhang et al. Evolving Elman neural networks based state-of-health estimation for satellite lithium-ion batteries
CN113988441A (zh) 电力无线网络链路质量预测、模型训练方法及装置
CN110516813A (zh) 一种基于大数据机器学习进行电动汽车电池rdr预测的方法
CN116106761A (zh) 基于典型相关分析的锂离子电池电量实时估计方法
CN114358310A (zh) 一种基于横向安全联邦学习的锂电池soh估计方法
CN109633449A (zh) 基于灰色向量机的矿用锂电池寿命预测方法及管理系统
CN116930609A (zh) 一种基于ResNet-LSTM模型的电能计量误差分析方法
CN113791351B (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法
Qu et al. Research on short‐term output power forecast model of wind farm based on neural network combination algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination