【技术实现步骤摘要】
本专利技术涉及性能衰退趋势预测，尤其涉及基于分层联邦学习的电池性能衰退趋势预测方法、装置和电子设备。
技术介绍
1、随着锂电池在便携式电子设备、电动汽车、航空航天等众多工业领域得到的应用越来越广泛，人们对锂电池的可靠性要求越来越高，能满足系统在规定的使用时间内和规定的使用条件下能发挥出规定功能的高可靠性锂电池受到人们的追捧和青睐。然而，传统的定期保养和事后维修手段已经不能满足人们对锂电池高可靠性的要求，故障预测和健康管理(phm)技术的出现为提高锂电池可靠性提供了一种解决方案。其中的性能衰退趋势预测技术作为phm技术的核心内容之一更是可以根据历史状态数据和环境工况数据等信息，依托基于数据驱动或基于物理模型驱动等性能衰退趋势预测技术，实现对性能衰退趋势的精准预测，将传统的事后维修转换为主动维护，进而指导维修保障工作，降低维护过程的时间成本和经济耗费。
2、目前国内外phm研究围绕基于数据驱动的性能衰退趋势预测方法展开了大量研究，取得了一定的成果。但预测模型的准确与否严重受制于衰退数据的多少，一般而言，衰退数据越多构建的模型准确度越高。然而全寿性能衰退数据获取成本过高，且对于同配方的锂电池，即使某一电池的全寿性能衰退数据已经获取，出于隐私保护和企业竞争的目的，其他电池想要利用该电池的数据也很不现实，且不同电池的数据差异性较大、模型开发成本大，单独针对每个电池开发特异性的预测模型耗费成本巨大，统一整合数据开发统一的预测模型又受到通信负担和隐私保护的桎梏。联邦学习的出现成为打破这一限制的关键技术。联邦学习是一种以共享模型参数
3、尽管联邦学习解决了以上问题，但是由于数据差异性较大导致的模型权重分散进而导致模型精度低和收敛速度慢的问题仍有待解决。且在多配方电池性能衰退趋势预测场景中引入联邦学习，综合利用多个电池的大量性能监测数据提升性能衰退趋势预测模型的泛化能力，能够避免由于衰退数据缺乏导致的模型效果差的问题。然而各电池受到个体差异的影响，其性能监测数据反映出的电池性能衰退趋势可能存在较大区别，阻碍全局预测模型的高效构建。同时，传统的客户端-服务器架构联邦学习中服务端的通信压力过大。
技术实现思路
1、鉴于上述由于数据差异性较大导致的模型权重分散进而导致模型精度低和收敛速度慢的问题，提出了本专利技术以便提供一种克服上述问题的一种基于分层联邦学习的电池性能衰退趋势预测方法、装置和电子设备。
2、本专利技术的一个方面，提供了一种基于分层联邦学习的电池性能衰退趋势预测方法，包括：
3、构建自下而上分别为本地服务器、边缘服务器和一个云服务器的用于电池性能衰退趋势预测的分层联邦学习架构；
4、获取存储在每个本地服务器上的电池容量退化数据，并利用基于改进k-medoids的联邦分组技术和存储在每个本地服务器上的电池容量退化数据对所述本地服务器进行分组，以确定边缘服务器与本地服务器的对应关系；
5、在利用存储在每个本地服务器上的电池容量退化数据对所述分层联邦学习架构训练期间，同时结合模型聚合策略和回退更新策略对所述分层联邦学习架构进行训练，得到训练后的分层联邦学习架构；
6、基于训练后的分层联邦学习架构对待预测的电池性能衰退趋势情况进行预测。
7、进一步地，所述电池容量退化数据为不同型号、不同温度和不同配方的电池容量退化数据。
8、进一步地，利用基于改进k-medoids的联邦分组技术和存储在每个本地服务器上的电池容量退化数据对所述本地服务器进行分组，以确定边缘服务器与本地服务器的对应关系包括：
9、利用手肘法确定所有电池容量退化数据的最佳聚类个数，并利用夹角余弦距离分别作为k-medoids聚类算法中的距离度量，同时结合所述最佳聚类个数得到改进k-medoids聚类算法；
10、基于所述改进k-medoids聚类算法对存储在每个本地服务器上的电池容量退化数据进行分组，以便将电池容量衰退曲线相似的电池分为一组；
11、将存储有电池容量衰退曲线相似的至少一个本地服务器与边缘服务器建立对应关系，以确定边缘服务器与本地服务器的对应关系。
12、进一步地，模型聚合策略包括：
13、每个边缘服务器计算其对应的各个本地服务器模型的平均损失，并利用自适应权重计算每个边缘服务器模型的权重系数；
14、在云服务器基于自适应权重进行加权聚合每个边缘服务器模型参数，以得到云服务器的全局模型参数。
15、进一步地，利用自适应权重计算每个边缘服务器模型的权重系数包括：
16、
17、其中，w[k]表示权重系数，表示客户端k的本地服务器模型的平均损失；n表示客户端个数。
18、进一步地，在云服务器基于自适应权重进行加权聚合每个边缘服务器模型参数，以得到云服务器的全局模型参数包括：
19、
20、其中，gm表示全局模型，nk表示客户端k的本地数据集dk的规模，n表示全体数据集的规模，mk表示客户端k的本地服务器模型。
21、进一步地，回退更新策略包括：
22、在每个本地服务器设置一个大小为n的回退窗口用于记录n次更新中本地模型的权重参数；
23、若本地模型的损失在n次更新中持续上升，则根据回退窗口中模型的权重参数将本地模型回退到n轮更新前的状态；
24、若本地模型的损失在n次更新中并未持续上升，则每更新一轮，丢弃回退窗口中最开始的元素，并在回退窗口末尾新增本地模型权重。
25、进一步地，在利用存储在每个本地服务器上的电池容量退化数据对所述分层联邦学习架构训练期间包括：
26、本地服务器在本地用本地数据训练模型，边缘服务器接收本地模型参数进行初步聚合并将结果上传给云服务器，云服务器将边缘服务器模型参数聚合并将结果下发给边缘服务器，边缘服务器再将模型参数下发给本地服务器用以更新模型。
27、本专利技术的另一个方面，提供了一种基于分层联邦学习的电池性能衰退趋势预测装置，包括：
28、构建模块，用于构建自下而上分别为本地服务器、边缘服务器和一个云服务器的用于电池性能衰退趋势预测的分层联邦学习架构；
29、分组模块，用于获取存储在每个本地服务器上的电池容量退化数据，并利用基于改进k-medoids的联邦分组技术和存储在每个本地服务器上的电池容量退化数据对所述本地服务器进行分组，以确定边缘服务器与本地服务器的对应关系；
30、训练模块，用于在利用存储在每个本地服务器上的电池容量退化数据对所述分层联邦学习架构训练期间，同时结合模型聚合策略和回退更新策略对所述分层联邦学习架构进行训练，得本文档来自技高网...
【技术保护点】
1.一种基于分层联邦学习的电池性能衰退趋势预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述电池容量退化数据为不同型号、不同温度和不同配方的电池容量退化数据。
3.根据权利要求1所述的方法，其特征在于，利用基于改进K-medoids的联邦分组技术和存储在每个本地服务器上的电池容量退化数据对所述本地服务器进行分组，以确定边缘服务器与本地服务器的对应关系包括：
4.根据权利要求1所述的方法，其特征在于，模型聚合策略包括：
5.根据权利要求4所述的方法，其特征在于，利用自适应权重计算每个边缘服务器模型的权重系数包括：
6.根据权利要求5所述的方法，其特征在于，在云服务器基于自适应权重进行加权聚合每个边缘服务器模型参数，以得到云服务器的全局模型参数包括：
7.根据权利要求4所述的方法，其特征在于，回退更新策略包括：
8.根据权利要求1所述的方法，其特征在于，在利用存储在每个本地服务器上的电池容量退化数据对所述分层联邦学习架构训练期间包括：
9.一种基于分层联邦
10.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时，实现权利要求1-8中任一项所述的基于分层联邦学习的电池性能衰退趋势预测方法的步骤。
...【技术特征摘要】
1.一种基于分层联邦学习的电池性能衰退趋势预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述电池容量退化数据为不同型号、不同温度和不同配方的电池容量退化数据。
3.根据权利要求1所述的方法，其特征在于，利用基于改进k-medoids的联邦分组技术和存储在每个本地服务器上的电池容量退化数据对所述本地服务器进行分组，以确定边缘服务器与本地服务器的对应关系包括：
4.根据权利要求1所述的方法，其特征在于，模型聚合策略包括：
5.根据权利要求4所述的方法，其特征在于，利用自适应权重计算每个边缘服务器模型的权重系数包括：
6.根据权利要求5所述的方法...
【专利技术属性】
技术研发人员：马剑，黄俊杰，徐沛洋，周依婷，张妍，吕琛，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。