(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 202111445931.9 (22)申请日 2021.12.01 (71)申请人 深圳市新 威尔电子有限公司 地址 518000 广东省深圳市福田区梅林街 道梅都社区中康路128号卓越梅林中 心广场 （北区） 3号楼120 6 (72)发明人 任强　 (51)Int.Cl. G06Q 10/04(2012.01) G06K 9/62(2022.01) G06N 20/20(2019.01) (54)发明名称 基于联邦学习的在线式电池循环寿命预测 系统及方法 (57)摘要 本发明公开了一种基于联邦学习的在线式 电池循环寿命 预测系统， 包括云端聚合中央服务 器、 电池检测边缘服务器、 电池测试设备， 所述云 端聚合中央服务器通过不同连接方式与所述电 池检测边缘服务器通讯， 所述电池检测边缘服务 器与所述云端聚合中央服务器之间模型参数传 输， 所述电池检测边缘服务器通过不同连接方式 与若干个电池测试设备通讯， 本发明有益效果： 解决了电池测试的数据孤岛， 使得各个机构之间 通过共享底层模型参数协同训练电池循环寿命 预测模型； 不再需要将各个客户端的训练数据集 上传至数据中心， 在一定程度上减少了训练时间 的开销， 节省了训练模型的成本， 提升了整个模 型准确率和效率， 并为数据隐私提供了最大的保 护。 权利要求书3页 说明书9页 附图4页 CN 114066100 A 2022.02.18 CN 114066100 A 1.一种基于联邦学习的在线式电池循环寿命预测系统， 其特征在于： 包括云端聚合中 央服务器、 电池检测边缘服务器、 电池测试设备， 所述云端聚合中央服务器通过不同连接方 式与所述电池检测边缘服务器通讯， 所述电池检测边缘服务器与所述云端聚合中央服务器 之间模型参数传输， 所述电池检测边缘服务器通过不同连接方式与若干个电池测试设备通 讯， 所述云端聚合中央服务器用于参与联邦学习建模电池检测边缘服务器选择、 初始模型 及参数生成、 全局超参数调优、 模型聚合、 模型下发、 定期模 型备份， 所述电池检测设备得到 的电池循环测试数据由局域网上传后保存在电池检测边缘服务器内部， 所述电池检测边缘 服务器基于本地私有测试 数据训练电池循环寿命预测模型。 2.根据权利要求1所述的基于联邦学习的在线式电池循环寿命预测系统， 其特征在于： 所述云端聚合中央服务器包括云端选择模块、 云端初始化模块、 云端聚合模块、 云端模型更 新模块； 所述云端选择模块： 云端聚合中央服务器维护全局统一的各参与联邦学习建模的 电池检测边缘服务器元数据哈希表， 元数据哈希表中包含着 每个电池检测边缘服务器相关 的元信息， 每个电池检测边缘服务器首先都需要在中心注册服务器上进行自身信息的注 册， 这样各电池检测缘服务器才能进 行互相感知； 第一步， 各参与方电池检测边缘服务器将 自身的元信息整理为报文并发送注册请求， 接着云端聚合中央服务器在哈希表上插入一条 对应的条目， 并返回注册成功信息， 接着云端聚合中央服务器选取一部分满足要求的电池 检测边缘服务器参与进联邦学习； 为避免影响用户的设备使用， 电池检测边缘服务器只有 在工作负载低于某一阈值时才能接入云端中央服务器参与联邦学习的训练； 云端选择模块 选择C个电池检测边缘服务器作为联邦学习参与者， 每个电池检测边缘服务器都有一个本 地的私有数据集 (c=1,2,3, …,C)， 是电池循环测试数据样本特征， 是 对应的标签， nc表示参与联邦学习的第c个电池测试机构的数据集的大小； 所述云端初始化 模块： 云端聚合中央服务器利用RSA 算法生成公钥私钥， 并将自身的公钥下发给各电池检测 边缘服务器， 用来加密要传输的数据， 云端聚合中央服务器将当前模型和初始化后的模型 参数至被选定的客户端； 所述云端聚合模块： 云端聚合中央服务器接 收电池检测边缘服务 器加密传入的模型参数或模型更新进行聚合； 基于同态加密的特性， 云端聚合中央服务器 可以在不解密的前提下聚合来自电池检测边缘服务器本地模型的参数， 一旦有足够数量的 电池检测 边缘服务器传输其本地更新的结果， 则 当前轮的更新则停止； 所述云端模型更新 模块： 云端聚合中央服务器 从参与当前轮数的客户端的本地模型参数或模 型更新计算出聚 合更新， 来更新全局共享模 型； 训练全局模型的过程只依赖于本地模 型的更新， 而不是站 点 上的原始数据， 随后 将更新后的参数传给各客户端， 通常认 为数据集样本量越大， 所训练出 的模型更加 准确， 因此在模型聚合时让数据集样本量大 的模型拥有更大 的权重值， 具体方 法是在更新权重时根据各区域模型所拥有的样本数据集样本量进行加权平均， 即 ， 在每一轮模型权重更新之后， 模块都会对新的全局模型性能进行 评估， 计算其对测试集误差和R2决定系数，  然后再保存和下发， 方便及时对模型做出调整， 提高系统的整体性能； 云端聚合中央服务器对三个关键的全局超参数进 行设置， 分别是C代 表参与联邦建模的客户端数量， B是边缘服务器训练的mini ‑Batch大小， E是边缘服务器训 练的Epoc h大小。权　利　要　求　书 1/3 页 2 CN 114066100 A 23.根据权利要求1所述的基于联邦学习的在线式电池循环寿命预测系统， 其特征在于： 所述电池检测 边缘服务器包括边缘端计算模块、 边缘端模型更新模块； 所述边缘端计算模 块被选定的边缘服务器都通过执行在本地私有数据集上训练程序来计算模型参数或模型 更新； 所述边缘端模型更新模块从参与当前轮数的客户端的本地模型参数或模型更新计算 出模型更新， 来更新全局共享模型。 4.根据权利要求1所述的基于联邦学习的在线式电池循环寿命预测系统， 其特征在于： 所述电池循环寿命预测模型从线性回归模型、 基于树的回归模型、 神经网络模型任意模型 中选择， 包括如下步骤： （1） 数据预处理： 首先数据清洗， 对原始数据中的空值、 缺失值、 异常值进行处理， 得到 可供建模的干净数据； 其次数据转换， 如对存在偏态数据进 行对数转换纠正偏态； 再次数据 标准化， 由于不同的特征具有不同的量级， 为了避免特征量级相差悬殊对模型造成影响， 需 要对原始数据进行 标准化变换， 使其变为均值 为0， 标准差为1； （2） 特征工程： 电池循环测试的原始数据不足以反映其循环寿命的变化， 通过对其进行 特征工程， 生成更有预测性的特 征， 预测性的特 征包括： a） 首个循环的放电容 量为Qi； b） 最大放电容 量与首个 循环放电容 量之差为max(Qi)‑  Q1； c） 第50个循环的放电容 量为 Q50； d） 电池放电平台期时长； 电池放电平台期是指电池在放电初期电压骤降之后， 电池电 压进入缓慢变化的一段时期， 可由dQ/dV曲线的峰值确定， 第i个放电周期放电平台期时长 可表示为： ， 其中 为第i 个放电周期放电平台期时长， 为对应平台期结束时刻， 为对应平台期起始 时刻， 即电压骤降结束点； e） 平台期电压变化 率； 第i个放电周期平台期电压变化 率可表示 为： ， 其中 表示第i个放电周期平台期电压变 化率， 是第i个平台期的电压 压降值； f） 第50个循环和首个 循环的直 流内阻差值,即DCIR50‑DCIR1； g）最后10个循环的放电容量斜率， 此处将放电容量视为循环序号的函数， 即 ， 则放电容 量斜率可表示 为 ； h） 前50个循环中直 流内阻的最小值， 即 min(DCIRi),i∈[1,5 0]； i） 第50个循环中充电平台电压与放电平台电压的差值， 即ΔV=Vch‑p‑  Vdc‑p； （3） 模型训练： 模型的学习目标 可以表示 为： 而C个参与联邦学习的权　利　要　求　书 2/3 页 3 CN 114066100 A 3