基于联邦持续学习优化电池健康状态预测模型方法及设备

本发明公开了基于联邦持续学习优化电池健康状态预测模型方法及设备，涉及电池健康管理技术领域。该方法包括：S1、本地训练电池健康状态SOH预测模型与数据监测模型，上传本地参数到中央服务器，中央服务器整合后下发，重复训练至损失函数收敛，并等待本地训练与联邦学习重新训练指令；S2、SOH预测模型输出电池健康度并由数据监测模型输出数据漂移异常度；S3、根据数据漂移异常度判断SOH预测模型输出结果准确度，通过参数微调触发本地训练及模型重新训练触发的联邦再学习持续优化SOH预测模型。本发明实现了多车载电脑端电池预测模型的联合优化，在使用中持续优化模型性，使模型不断适应新数据，实现模型终身学习。