一种面向新能源电动汽车的电池健康诊断方法及装置、寿命预测方法

专利名称：一种面向新能源电动汽车的电池健康诊断方法及装置、寿命预测方法

专利类型：发明专利

专利申请号：CN202210524323.5

专利申请（专利权）人：武汉理工大学
权利人地址：湖北省武汉市洪山区珞狮路122号

专利发明（设计）人：熊盛武,闻源,朱锦雄,陆林,林垚

专利摘要：本发明提供了一种面向新能源电动汽车的电池健康诊断方法及装置、寿命预测方法，电池健康诊断方法包括：初始化全局预测模型参数；可信的中央服务器按照预设概率选取若干空闲电动汽车作为数据参与方参与本轮联邦训练；被选中的数据参与方将自身上一轮训练的局部模型与全局预测模型进行弹性融合；将自身车辆电池充放电记录作为输入，并进行特征提取，然后对弹性融合后的局部模型进行本地私密训练，得到更新后的局部模型参数，并添加噪声后上传至可信的中央服务器；可信的中央服务器对噪声扰动后的局部模型进行聚合，得到扰动的全局模型；利用扰动的全局模型对电动汽车的电池健康状况进行诊断。本发明在保证数据的隐私性的同时还能提升模型的精度。

主权利要求：
1.一种面向新能源电动汽车的电池健康诊断方法，其特征在于，包括：初始化全局预测模型参数；
可信的中央服务器按照预设概率选取若干空闲电动汽车作为数据参与方参与本轮联邦训练；
被选中的数据参与方对全局预测模型参数进行下载，并将自身上一轮训练的局部模型与全局预测模型进行弹性融合，得到弹性融合后的局部模型；
被选中的数据参与方将自身车辆电池充放电记录作为输入，并进行特征提取，然后基于电池充放电记录和提取出的特征对弹性融合后的局部模型进行本地私密训练，得到更新后的局部模型参数，并添加噪声后上传至可信的中央服务器；
可信的中央服务器对噪声扰动后的局部模型进行聚合，得到扰动的全局模型；
利用扰动的全局模型对电动汽车的电池健康状况进行诊断；
其中，基于电池充放电记录和提取出的特征对弹性融合后的局部模型进行本地私密训练，得到训练后的局部模型参数，并添加噪声后上传至可信的中央服务器，包括：在训练过程中通过梯度下降方法寻找损失函数收敛时的模型参数作为更新后的模型参数；
对梯度下降更新得到的更新后的模型参数添加噪声扰动，得到扰动后的局部模型参数；
将该扰动后的局部模型参数上传给可信的中央服务器；
在训练过程中通过梯度下降方法寻找损失函数收敛时的模型参数作为更新后的模型参数的方式为：其中， 为第n辆车的训练样本数， 是第t轮训练时第n辆边缘车端的学习率，为弹性融合后的局部模型参数的梯度， 为第t轮第n个边缘车端的弹性融合后的局部模型参数，为第t轮第n个边缘车端的更新后的模型参数， 为第t轮第n个边缘车端弹性融合后的局部模型的损失函数。
2.如权利要求1所述的面向新能源电动汽车的电池健康诊断方法，其特征在于，被选中的数据参与方提取的特征包括充电次数，单位电量行驶的里程数，电池内阻。
3.如权利要求1所述的面向新能源电动汽车的电池健康诊断方法，其特征在于，对梯度下降更新得到的更新后的模型参数添加噪声扰动，得到扰动后的局部模型参数的方式为：2
其中，σ为高斯噪声方差，R为常数， 表示为均值为0，方差为 的高斯分布，d表示参数的维度， 为第t轮第n个边缘车端的扰动后的局部模型参数， 为第t轮第n个边缘车端的更新后的模型参数。
4.如权利要求1所述的面向新能源电动汽车的电池健康诊断方法，其特征在于，可信的中央服务器对噪声扰动后的局部模型进行聚合，得到扰动的全局模型的实现方式为：其中D表示所有被选择进行联邦建模的空闲车辆包含的数据， 表示第n个边缘车端所包含的数据， 为第t轮第n个边缘车端的扰动后的局部模型参数， 表示第t+1次迭代的扰动的全局模型参数。
5.如权利要求1所述的面向新能源电动汽车的电池健康诊断方法，其特征在于，利用扰动的全局模型对电动汽车的电池健康状况进行诊断，包括：利用扰动的全局模型对电动汽车的锂离子电池当前的真实容量进行预测，并根据预测出的当前的真实容量对电动汽车的电池健康状况进行诊断，公式为：其中，其中 为电池估计容量的初始容量，为第电池在放电里程数为j状态下的估计容量，即预测出的当前的真实容量， 表示放电里程数为j状态下的健康状态。
6.一种面向新能源电动汽车的电池健康诊断装置，其特征在于，包括：初始化模块，用于初始化全局预测模型参数；
数据参与方选取模块，用于可信的中央服务器按照预设概率选取若干空闲电动汽车作为数据参与方参与本轮联邦训练；
弹性融合模块，用于被选中的数据参与方对全局预测模型参数进行下载，并将自身上一轮训练的局部模型与全局预测模型进行弹性融合，得到弹性融合后的局部模型；
本地秘密训练模块，用于被选中的数据参与方将自身车辆电池充放电记录作为输入，并进行特征提取，然后基于电池充放电记录和提取出的特征对弹性融合后的局部模型进行本地私密训练，得到更新后的局部模型参数，并添加噪声后上传至可信的中央服务器；
聚合模块，用于可信的中央服务器对噪声扰动后的局部模型进行聚合，得到扰动的全局模型；
电池健康状况诊断模块，用于利用扰动的全局模型对电动汽车的电池健康状况进行诊断；
其中，基于电池充放电记录和提取出的特征对弹性融合后的局部模型进行本地私密训练，得到训练后的局部模型参数，并添加噪声后上传至可信的中央服务器，包括：在训练过程中通过梯度下降方法寻找损失函数收敛时的模型参数作为更新后的模型参数；
对梯度下降更新得到的更新后的模型参数添加噪声扰动，得到扰动后的局部模型参数；
将该扰动后的局部模型参数上传给可信的中央服务器；
在训练过程中通过梯度下降方法寻找损失函数收敛时的模型参数作为更新后的模型参数的方式为：其中， 为第n辆车的训练样本数， 是第t轮训练时第n辆边缘车端的学习率，为弹性融合后的局部模型参数的梯度， 为第t轮第n个边缘车端的弹性融合后的局部模型参数，为第t轮第n个边缘车端的更新后的模型参数， 为第t轮第n个边缘车端弹性融合后的局部模型的损失函数。
7.一种面向新能源电动汽车的寿命预测方法，其特征在于，基于权利要求1所述的面向新能源电动汽车的电池健康诊断方法实现，所述方法包括：采用带遗忘因子的递推最小二乘法仿真模型RLS进行剩余使用寿命的预测。
8.如权利要求7所述的面向新能源电动汽车的寿命预测方法，其特征在于，采用带遗忘因子的递推最小二乘法仿真模型RLS进行剩余使用寿命的预测，包括通过下述公式求解出RLS模型的参数：
其中， 是t时刻待估计的模型参数，即RLS模型的参数， 是t‑1时刻的RLS模型参数，是t时刻的特征观测值矩阵 的转置， 相当于t‑1时刻的RLS模型参数用于t时刻与测试带来的偏差， 为修正系数，是关键参数遗忘因子， 和 分别为t时刻的特征观测值矩阵和模型响应值， 是估计的t时刻的协方差误差，I是单位矩阵， 是t‑1时刻的协方差误差；
利用求解的RLS模型的参数得到目标RLS模型，并预测t时刻的锂离子电池剩余寿命。 说明书 : 一种面向新能源电动汽车的电池健康诊断方法及装置、寿命
预测方法技术领域[0001] 本发明涉及新能源汽车动力电池的健康度诊断和寿命预测领域，尤其涉及一种面向新能源电动汽车的电池健康诊断方法及装置、寿命预测方法。背景技术[0002] 电动汽车中的锂离子电池使用寿命一般为5‑10年，电动汽车动力蓄电池国家安全标准要求，当锂离子电池的健康状态(StateofHealth,SOH)低于80％时，该电池已不适用于电动汽车，即达到电动汽车的退役标准，需要进行回收，可以根据电池SOH以及电池剩余使用寿命(RemainingUsefulLife，RUL)将电池进行二次利用。电池的健康状态与电动汽车的续航里程，安全性以及可靠性密切相关，由于电池的劣化机制复杂，影响因素众多，因此，电池的健康状态SOH和剩余使用寿命RUL的准确可靠估计是电池管理技术中的难点问题。[0003] 现有方法主要分为两大类，第一种是基于模型的SOH诊断方法，估计锂离子电池容量采用的方法主要有RC等效电路模型、电化学原理模型等。[0004] 等效电路模型使用理想电路元件模拟锂电池工作特性，常见锂电池等效电路模型主要包括Rint模型、PNGV模型、RC模型和Randles模型等，如Rint和RC模型，文献分析指出，理论上等效电路模型越复杂精度越高，但同时实现越复杂，算法实时性越差，实际使用时高阶等效电路模型并未实现高精度锂电池建模。[0005] 早期的电化学原理模型有Shepherd模型、Peukert方程、Unnewehr模型、Nerst模型等，或者将电化学结合先进的滤波技术，包括卡尔曼滤波、扩展卡尔曼滤波法。由于早期电化学原理模型描述电池的工作原理过于简单，不能精确的再现真实的锂离子电池工作特性，同时因为电化学原理模型由一系列带有边界条件的偏微分方程构成，数学方程复杂且包含大量边界方程，给实际应用带来困难，但因其相对易于实现，仍沿用至今。基于模型的估计方式需要知道整个放电阶段SOC与开路电压之间的关系或者锂离子电池正负极之间的动态传质过程，而且这种关系模型的构建很费时，通常是计算密集型的，并且需要车辆电池的实时数据进行在线的评估。给工程化应用和车端算力带来挑战。[0006] 第二种是基于特征提取的方法，随着人工智能的发展，这种方法也被逐渐提出。这种方法减少了预测模块的在线计算，主要是用数据驱动的方法构建健康因子和电池容量之间的关系模型，离线的训练模型，然后将训练好的模型更新到预测模块，进行实时的检测。缺点在于单个车辆的锂离子电池使用数据因为数量较小且特征不够全面，无法训练出精度较高的预测模型。[0007] 上述这些方法主要是基于试验室环境下的电池测试数据来开发的，未充分考虑实际道路上车辆行驶过程中的电池参数变化情况，故在实际应用过程中会影响SOH预测的精度。所以需要收集用户真实的车辆电池使用数据，而这种车辆状态数据属于个人隐私信息，工信部指出汽车的运行数据、车辆状态数据等属于受限收集和使用的，并且运营者在处理个人信息和重要数据过程中倡导车内处理原则。这就给数据驱动的锂离子电池SOH预测模型的数据来源和模型精度带来挑战。发明内容[0008] 本发明提出一种面向新能源电动汽车的电池健康诊断方法及装置、寿命预测方法，用以解决或者至少部分解决现有技术中无法保证数据的隐私性以及预测精度不高的技术问题。[0009] 为了解决上述技术问题，本发明第一方面提供了一种面向新能源电动汽车的电池健康诊断方法，包括：[0010] 初始化全局预测模型参数；[0011] 可信的中央服务器按照预设概率选取若干空闲电动汽车作为数据参与方参与本轮联邦训练；[0012] 被选中的数据参与方对全局预测模型参数进行下载，并将自身上一轮训练的局部模型与全局预测模型进行弹性融合，得到弹性融合后的局部模型；[0013] 被选中的数据参与方将自身车辆电池充放电记录作为输入，并进行特征提取，然后基于电池充放电记录和提取出的特征对弹性融合后的局部模型进行本地私密训练，得到更新后的局部模型参数，并添加噪声后上传至可信的中央服务器；[0014] 可信的中央服务器对噪声扰动后的局部模型进行聚合，得到扰动的全局模型；[0015] 利用扰动的全局模型对电动汽车的电池健康状况进行诊断。[0016] 在一种实施方式中，被选中的数据参与方提取的特征包括充电次数，单位电量行驶的里程数，电池内阻。[0017] 在一种实施方式中，基于电池充放电记录和提取出的特征对弹性融合后的局部模型进行本地私密训练，得到训练后的局部模型参数，并添加噪声后上传至可信的中央服务器，包括：[0018] 在训练过程中通过梯度下降方法寻找损失函数收敛时的模型参数作为更新后的模型参数；[0019] 对梯度下降更新得到的更新后的模型参数添加噪声扰动，得到扰动后的局部模型参数；[0020] 将该扰动后的局部模型参数上传给可信的中央服务器。[0021] 在一种实施方式中，在训练过程中通过梯度下降方法寻找损失函数收敛时的模型参数作为更新后的模型参数的方式为：[0022][0023] 其中，Dn为第n辆车的训练样本数， 是第t轮训练时第n辆边缘车端的学习率，为弹性融合后的局部模型参数的梯度， 为第t轮第n个边缘车端的弹性融合后的局部模型参数， 为第t轮第n个边缘车端的更新后的模型参数， 为第t轮第n个边缘车端弹性融合后的局部模型的损失函数。[0024] 在一种实施方式中，对梯度下降更新得到的更新后的模型参数添加噪声扰动，得到扰动后的局部模型参数的方式为：[0025][0026] 其中，σ2为高斯噪声方差，R为常数，N(0,Rσ2Id)表示为均值为0，方差为Rσ2Id的高斯分布，d表示参数的维度， 为第t轮第n个边缘车端的扰动后的局部模型参数， 为第t轮第n个边缘车端的更新后的模型参数。[0027] 在一种实施方式中，可信的中央服务器对噪声扰动后的局部模型进行聚合，得到扰动的全局模型的实现方式为：[0028][0029] 其中D表示所有被选择进行联邦建模的空闲车辆包含的数据，Dn表示第n个边缘车端所包含的数据， 为第t轮第n个边缘车端的扰动后的局部模型参数， 表示第t+1次迭代的扰动的全局模型参数。[0030] 在一种实施方式中，利用扰动的全局模型对电动汽车的电池健康状况进行诊断，包括：[0031] 利用扰动的全局模型对电动汽车的锂离子电池当前的真实容量进行预测，[0032] 并根据预测出的当前的真实容量对电动汽车的电池健康状况进行诊断，公式为：[0033][0034] 其中，其中 为电池估计容量的初始容量， 为第电池在放电里程数为j状态下的估计容量，即预测出的当前的真实容量，SOHj表示放电里程数为j状态下的健康状态。[0035] 基于同样的发明构思，本发明第二方面提供了一种面向新能源电动汽车的电池健康诊断装置，包括：[0036] 初始化模块，用于初始化全局预测模型参数；[0037] 数据参与方选取模块，用于可信的中央服务器按照预设概率选取若干电动汽车作为数据参与方参与本轮联邦训练；[0038] 弹性融合模块，用于被选中的数据参与方对全局预测模型参数进行下载，并将自身上一轮训练的局部模型与全局预测模型进行弹性融合，得到弹性融合后的局部模型；[0039] 本地秘密训练模块，用于被选中的数据参与方将自身车辆电池充放电记录作为输入，并进行特征提取，然后基于电池充放电记录和提取出的特征对弹性融合后的局部模型进行本地私密训练，得到更新后的局部模型参数，并添加噪声后上传至可信的中央服务器；[0040] 聚合模块，用于可信的中央服务器对噪声扰动后的局部模型进行聚合，得到扰动的全局模型；[0041] 电池健康状况诊断模块，用于利用扰动的全局模型对电动汽车的电池健康状况进行诊断。[0042] 基于同样的发明构思，本发明第三方面提供了一种面向新能源电动汽车的寿命预测方法，基于第一方面所述的面向新能源电动汽车的电池健康诊断方法实现，所述方法包括：采用带遗忘因子的递推最小二乘法仿真模型RLS进行剩余使用寿命的预测。[0043] 在一种实施方式中，采用带遗忘因子的递推最小二乘法仿真模型RLS进行剩余使用寿命的预测，包括[0044] 通过下述公式求解出RLS模型的参数：[0045][0046][0047][0048] 其中， 是t时刻待估计的模型参数，即RLS模型的参数， 是t‑1时刻的RLS模型参数，φt是t时刻的特征观测值矩阵Xt的转置， 相当于t‑1时刻的RLS模型参数用于t时刻与测试带来的偏差，Kt为修正系数，μ是关键参数遗忘因子，Xt和Yt分别为t时刻的特征观测值矩阵和模型响应值，Pt是估计的t时刻的协方差误差，I是单位矩阵，Pt‑1是t‑1时刻的协方差误差；[0049] 利用求解的RLS模型的参数得到目标RLS模型，并预测t时刻的锂离子电池剩余寿命。[0050] 本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：[0051] 本发明提供的一种面向新能源电动汽车的电池健康诊断方法，被选中的数据参与方对全局预测模型参数进行下载，并将自身上一轮训练的局部模型与全局预测模型进行弹性融合，得到弹性融合后的局部模型，被选中的数据参与方将自身车辆电池充放电记录作为输入，并进行特征提取，然后基于电池充放电记录和提取出的特征对弹性融合后的局部模型进行本地私密训练，得到更新后的局部模型参数，并添加噪声后上传至可信的中央服务器；可信的中央服务器对噪声扰动后的局部模型进行聚合，得到扰动的全局模型；最后利用扰动的全局模型对电动汽车的电池健康状况进行诊断。由于是可信的中央服务器和各个边缘车端的联邦建模方法，各个边缘车端利用本地数据进行私密训练，在有效收集车端数据的同时也保护了车端的隐私数据不被泄露，此外，联合各方数据训练，相对单个车的数据训练的方式来说，能有效提高最终扰动的全局模型的预测精度。附图说明[0052] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0053] 图1为本发明实施中提供的一种面向新能源电动汽车的电池健康诊断方法的流程图；[0054] 图2为本发明实施中联邦模型系统架构；[0055] 图3为本发明实施中扰动的全局模型和寿命预测模型离线训练流程图；[0056] 图4为本发明实施中扰动的全局模型和寿命预测模型在线预测图。具体实施方式[0057] 本发明可以应用于锂离子电池BMS(电池管理系统)模块，或者新能源电动汽车充电或者换电模式下的电池健康度诊断与剩余寿命预测。可以根据预测结果来判断是否将电池送检，或者直接退役进行梯次利用，节约时间和经济成本。具体方案是结合电池数据，通过数据驱动的方式来预测电池的SOH(健康状态)，并且通过建立SOH与RUL(电池剩余使用寿命)间的联系，来得到电池的剩余使用寿命。同时，在充电换电情况下，电池的数据属于服务商的隐私数据，不希望第三方获取，因此，提出联邦学习的模型架构，在可以在实现保护隐私数据的同时实现精度较好的SOH和RUL预测模型。[0058] 为达到以上目的，本发明的主要构思是：[0059] 提供一种联邦建模方法，包括由云端服务器和大量边缘端网联电动汽车构成的横向联邦拓扑结构，其中，云端服务器初始化SOH全局预测模型参数、选择空闲的汽车并广播全局预测模型参数、收集车辆的局部模型参数并聚合；边缘端网联电动汽车接受全局预测模型参数并初始化、进行局部训练并添加噪声扰动，然后将扰动后的局部模型参数回传给云端服务器。[0060] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0061] 实施例一[0062] 本发明实施例提供了一种面向新能源电动汽车的电池健康诊断方法，包括：[0063] 初始化全局预测模型参数；[0064] 可信的中央服务器按照预设概率选取若干空闲电动汽车作为数据参与方参与本轮联邦训练；[0065] 被选中的数据参与方对全局预测模型参数进行下载，并将自身上一轮训练的局部模型与全局预测模型进行弹性融合，得到弹性融合后的局部模型；[0066] 被选中的数据参与方将自身车辆电池充放电记录作为输入，并进行特征提取，然后基于电池充放电记录和提取出的特征对弹性融合后的局部模型进行本地私密训练，得到更新后的局部模型参数，并添加噪声后上传至可信的中央服务器；[0067] 可信的中央服务器对噪声扰动后的局部模型进行聚合，得到扰动的全局模型；[0068] 利用扰动的全局模型对电动汽车的电池健康状况进行诊断。[0069] 图1为本发明实施中提供的一种面向新能源电动汽车的电池健康诊断方法的流程图；[0070] 请参见图2，为本发明实施中联邦模型系统架构。[0071] 具体来说，Wt表示第t轮全局预测模型的参数， 表示第n辆车在第t轮训练得到的0局部模型参数。云端服务器发起联邦学习任务，在第一轮初始化全局预测模型参数W；[0072] 云端服务器(可信的中央服务器)，迭代执行以下步骤直到迭代终止：[0073] 选择当前空闲的车辆，并将第t轮的全局预测模型参数Wt进行广播；[0074] 等待所选择的车辆上传局部训练得到模型参数，表示为 利用t+1联邦平均算法FedAvg对局部模型聚合，得到下一轮的全局模型参数W 。 表示第1辆车在第t轮训练得到的局部模型参数，依次类推。[0075] 网联电动汽车，表示为V＝{V1，V2，…，Vn}，对应车辆的锂离子电池充电数据以及行驶放电数据构成数据集D＝{D1，D2，…，Dn}。V1、Vn分别表示第1辆车和第n辆车。网联电动汽车迭代执行以下步骤直到迭代终止：[0076] 接受服务器广播的当前轮的全局模型参数Wt；[0077] 对于当前t轮第n辆边缘车端局部预测模型的损失函数 通过梯度下降方法寻找损失函数收敛时的模型参数；[0078] 对梯度下降更新得到模型参数添加噪声扰动，得到扰动后的局部模型参数；[0079] 将扰动后的局部模型参数上传给服务器。[0080] 在一种实施方式中，被选中的数据参与方提取的特征包括充电次数，单位电量行驶的里程数，电池内阻。[0081] 在一种实施方式中，基于电池充放电记录和提取出的特征对弹性融合后的局部模型进行本地私密训练，得到训练后的局部模型参数，并添加噪声后上传至可信的中央服务器，包括：[0082] 在训练过程中通过梯度下降方法寻找损失函数收敛时的模型参数作为更新后的模型参数；[0083] 对梯度下降更新得到的更新后的模型参数添加噪声扰动，得到扰动后的局部模型参数；[0084] 将该扰动后的局部模型参数上传给可信的中央服务器。[0085] 在一种实施方式中，在训练过程中通过梯度下降方法寻找损失函数收敛时的模型参数作为更新后的模型参数的方式为：[0086][0087] 其中，Dn为第n辆车的训练样本数， 是第t轮训练时第n辆边缘车端的学习率，为弹性融合后的局部模型参数的梯度， 为第t轮第n个边缘车端的弹性融合后的局部模型参数， 为第t轮第n个边缘车端的更新后的模型参数， 为第t轮第n个边缘车端弹性融合后的局部模型的损失函数。[0088] 通过联邦学习隐私保护建模方法，实现以异步的边缘协同训练个性化神经网络模型。整体由可信的中央服务器以及具备简单模型训练能力的边缘车辆构成，每个车辆在本地异步执行训练，待模型训练指定轮次，得到效果相对较好时的局部模型参数，然后在参数中添加高斯噪声进行参数扰动加密，将扰动后的局部模型参数通过网口通信上传至中央服务器，可信的中央服务器对来自各方边缘车端的模型参数进行聚合，随后将更新后的模型下发至本地车端进行同步，通过多次迭代可训练出精度较高的预测模型。[0089] 在一种实施方式中，对梯度下降更新得到的更新后的模型参数添加噪声扰动，得到扰动后的局部模型参数的方式为：[0090][0091] 其中，σ2为高斯噪声方差，R为常数，N(0,Rσ2Id)表示为均值为0，方差为Rσ2Id的高斯分布，d表示参数的维度， 为第t轮第n个边缘车端的扰动后的局部模型参数， 为第t轮第n个边缘车端的更新后的模型参数。[0092] 具体来说，所述在每个边缘车端训练的模型参数中增加高斯噪声进行扰动，主要是利用高斯分布对所述梯度下降更新后的本地模型参数添加较小的随机值，得到扰动的局部模型参数。[0093] 在一种实施方式中，可信的中央服务器对噪声扰动后的局部模型进行聚合，得到扰动的全局模型的实现方式为：[0094][0095] 其中D表示所有被选择进行联邦建模的空闲车辆包含的数据，Dn表示第n个边缘车端所包含的数据， 为第t轮第n个边缘车端的扰动后的局部模型参数， 表示第t+1次迭代的扰动的全局模型参数。[0096] 服务器聚合扰动的模型，指的是数据参与方将局部私密训练输出的局部扰动模型上传到中央服务器，中央服务器采取某种聚合策略进行聚合，得到全局模型。一般地，中央服务器采取联邦平均的聚合策略。[0097] 在一种实施方式中，利用扰动的全局模型对电动汽车的电池健康状况进行诊断，包括：[0098] 利用扰动的全局模型对电动汽车的锂离子电池当前的真实容量进行预测，[0099] 并根据预测出的当前的真实容量对电动汽车的电池健康状况进行诊断，公式为：[0100][0101] 其中，其中 为电池估计容量的初始容量， 为第电池在放电里程数为j状态下的估计容量，即预测出的当前的真实容量，SOHj表示放电里程数为j状态下的健康状态。[0102] 具体来说，通过最终得到的扰动的全局模型预测得到锂离子电池当前的真实容量后，由上述公式计算出锂离子的健康状态。[0103] 请参见图3和图4，分别为本发明实施中扰动的全局模型和寿命预测模型离线训练流程图以及在线预测流程图。[0104] 本发明的有益效果在于：[0105] 1、提了隐私保护的联邦建模方法，对车辆边缘端进行联合建模，在有效收集边缘车端数据的同时保护了车端的隐私数据不被泄露。[0106] 2.联合各方数据训练，相对单车训练，能有效提高模型精度。[0107] 实施例二[0108] 基于与实施例一同样的发明构思，本实施例提供了一种面向新能源电动汽车的电池健康诊断装置，包括：[0109] 初始化模块，用于初始化全局预测模型参数；[0110] 数据参与方选取模块，用于可信的中央服务器按照预设概率选取若干空闲电动汽车作为数据参与方参与本轮联邦训练；[0111] 弹性融合模块，用于被选中的数据参与方对全局预测模型参数进行下载，并将自身上一轮训练的局部模型与全局预测模型进行弹性融合，得到弹性融合后的局部模型；[0112] 本地秘密训练模块，用于被选中的数据参与方将自身车辆电池充放电记录作为输入，并进行特征提取，然后基于电池充放电记录和提取出的特征对弹性融合后的局部模型进行本地私密训练，得到更新后的局部模型参数，并添加噪声后上传至可信的中央服务器；[0113] 聚合模块，用于可信的中央服务器对噪声扰动后的局部模型进行聚合，得到扰动的全局模型；[0114] 电池健康状况诊断模块，用于利用扰动的全局模型对电动汽车的电池健康状况进行诊断。[0115] 由于本发明实施例二所介绍的装置，为实施本发明实施例一中面向新能源电动汽车的电池健康诊断方法所采用的装置，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的装置，都属于本发明所欲保护的范围。[0116] 实施例三[0117] 基于与实施例一同样的发明构思，本实施例提供了一种面向新能源电动汽车的寿命预测方法，基于实施一所述的面向新能源电动汽车的电池健康诊断方法实现，所述方法包括：采用带遗忘因子的递推最小二乘法仿真模型RLS进行剩余使用寿命的预测。[0118] 在一种实施方式中，采用带遗忘因子的递推最小二乘法仿真模型RLS进行剩余使用寿命的预测，包括[0119] 通过下述公式求解出RLS模型的参数：[0120][0121][0122][0123] 其中， 是t时刻待估计的模型参数，即RLS模型的参数， 是t‑1时刻的RLS模型参数，φt是t时刻的特征观测值矩阵Xt的转置， 相当于t‑1时刻的RLS模型参数用于t时刻与测试带来的偏差，Kt为修正系数，μ是关键参数遗忘因子，Xt和Yt分别为t时刻的特征观测值矩阵和模型响应值，Pt是估计的t时刻的协方差误差，I是单位矩阵，Pt‑1是t‑1时刻的协方差误差；[0124] 利用求解的RLS模型的参数得到目标RLS模型，并预测t时刻的锂离子电池剩余寿命。[0125] 具体来说，在实施例一的SOH预测的基础上继而进行第二阶段的RUL预测任务，采用带遗忘因子的RLS模型进行剩余使用寿命RUL的预测，上述三个公式中，第一行的公式为RLS推导后的求解公式，第二行为修正系数的具体表达式，第三行是估计的协方差误差表示。[0126] 以下结合说明书附图和具体优选的实施例对本发明做进一步描述，但并不因此而限制本发明的保护范围。[0127] 针对图1的系统，本发明提供的面向新能源电动汽车的电池健康诊断及寿命预测具体的流程如下：[0128] S1：全局模型初始化；[0129] S2：可信的中央服务器按照概率选取若干个车端作为参与方参与第t轮联邦训练；[0130] S3：被选中的数据参与方下载全局模型，然后对局部模型进行弹性同步初始化；[0131] S4：每辆车将自己的车辆电池充放电记录作为输入，进行特征提取。提取主要的健康因子有充电次数，单位电量行驶的里程数，电池内阻等，车辆边缘端进行本地私密训练，得到模型参数，并添加噪声后上传至中央服务器；[0132] S5：可信中央服务器对扰动后的局部模型进行聚合，得到扰动后的全局模型；[0133] S6：系统重复S2到S5直到满足全局模型训练的损失函数达到收敛状态；[0134] S7：利用离线训练的模型预测锂离子电池当前的健康状态SOH；[0135] S8：使用带遗传因子的RLS模型在线预测锂离子电池的剩余使用寿命RUL。[0136] 以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

专利地区：湖北

专利申请日期：2022-05-13

专利公开日期：2024-07-26

专利公告号：CN114925515B