一种面向异构终端设备的物理引导多层次联邦学习储能单元退化估计方法

本发明提出一种面向异构终端设备的物理引导多层次联邦学习储能单元退化估计方法，主要涉及人工智能，储能健康估计领域。主要步骤包含：将电动车辆、无人机、机器人等多种设备动力电池数据作为客户端本地数据，进行数据预处理；为各客户端建立轻量化模型，并将电池老化物理机理嵌入神经网络模型；建立多层次联邦学习框架，其中第一层为各设备形成的客户端，第二层为多类设备(电动车辆、无人机、机器人)局部服务器，第三层为中央服务器；在客户端和局部服务器间设计模型筛选策略和误差感知加权聚合策略，在局部服务器和中央服务器间设计模型压缩策略；经过多轮训练得到全局模型，估计目标设备动力电池的健康状态。本发明针对动力电池健康估计在多个异构设备泛化性弱的问题，设计多层次联邦学习框架，同时结合物理机理与数据建模，克服了电池健康状态估计准确性不足的限制，显著降低了模型估计误差，从而提高了储能系统的安全性。