本发明属于锂电池故障诊断，具体涉及一种锂电池故障的联邦协同智能诊断方法和系统。
背景技术：
1、锂电池作为一种高效、清洁能源的储能装置，被广泛应用于电动汽车、移动设备等多个领域，早已与我们的生活息息相关。然而，随着锂电池应用的范围逐渐扩大，受众越来越广，其安全性和可靠性的问题日益凸显，特别是锂电池的故障问题，已成为制约锂电池技术进一步发展的关键。由于现实环境不稳定，锂电池的工作条件也是复杂多变，例如：锂电池在暴晒、暴雨等恶劣天气下，极易发生过热、浸水等问题；锂电池在恶劣路况下输出功率变化较大，极易发生过充、过放等问题；锂电池在电量耗尽的情况下，极易降低锂电池性能，缩短使用寿命。
2、传统的锂电池故障诊断由于不同品牌有各自的故障数据，不会联合共享，因此人工进行故障诊断只能依靠经验、表征现象及各品牌提供的相关意见进行逐个排查分析。这些方法存在诊断精度不足、耗时费力。此外由于各品牌之间的数据不共享，很多同样的故障需要多次反复排查，严重影响工作效率。其次，锂电池的故障诊断方法多使用单一模型或原始模型，依靠简单数据，具有难以收敛，使得最终结果存在偏差，难以很好的满足企业的需求，难以解决用户的实际需求。最后，由于锂电池的故障存在复杂性，有多方面条件的变化对故障的形成也具有不确定性，由于系统中各环节自行执行信息交换，难以有效协调，不能实现整体优化。因此需要一种能打破数据孤岛，提升工作效率，提高故障诊断效率和精确性的锂电池故障诊断方法。
技术实现思路
1、发明目的：本发明提供一种锂电池故障的联邦协同智能诊断方法和系统，通过结合联邦学习算法、动态模态分解、能量谷优化算法和autoformer模型，实现对锂电池数据的智能处理和故障类型的准确识别。
2、技术方案：本发明所述的一种锂电池故障的联邦协同智能诊断方法，包括以下步骤：
3、(1)以时间序列获取包括正常数据和故障数据的锂电池的运行数据；
4、(2)对运行数据进行预处理，采用样本熵对处理后的数据进行评估，设定样本熵的阈值，将样本熵值大于阈值的数据分类为复杂，否则分类为简单；
5、(3)利用联邦学习，将复杂和简单的两类数据分别进行参数聚合，联合不同品牌锂电池协同建立全局模型，实现故障参数共享；
6、(4)利用动态模态分解dmd对运行数据进行特征提取，生成特征向量；
7、(5)将dmd及autoformer模型的关键参数组合在同一框架中，对其进行编码，构建编码集合；
8、(6)将基于能量谷优化算法evo对dmd和autoformer模型进行协同优化，并将分类为简单的数据输入至随机森林模型进行诊断，分类为复杂的数据输入优化后的autoformer模型进行诊断；
9、(7)将特征提取后的数据输入至随机森林或者优化后的autoformer模型，进行诊断，输出故障诊断结果。
10、进一步地，步骤(1)所述锂电池运行数据包括电压、电流、温度、荷电状态、内阻、锂电池内部压力、锂电池周围气体监测数据。
11、进一步地，所述步骤(3)中实现过程如下：
12、通过s个锂电池品牌参与联邦，所有的建模任务都视为对损失函数优化的过程，损失函数min(f(a))为不同品牌对应模型库中诊断误差的累加，误差累加过程中考虑不同品牌锂电池样本量对全局诊断误差的影响，f(a)为当前任务的模型全局诊断误差；
13、联邦学习构建全局模型的搜索方向为使全局诊断误差最小：
14、
15、式中，fi(a)为一种品牌锂电池的第i个用户的故障损失；ni为第i个锂电池的总样本量；aj为随机森林模型参数，af为autoformer模型参数。
16、进一步地，所述步骤(4)实现过程如下：
17、将以时间序列获取的锂电池运行数据，由k条时间长度为t组成，在t时刻的表达式为：
18、xt＝axt-1+εt
19、式中，a为k×k的系数矩阵；
20、xn为高维度采样数据矩阵的第n列负荷数据，构建滑动矩阵：
21、
22、则动态模态分解表达式为：
23、x2≈ax1
24、对x进行奇异矩阵分解：
25、x1＝uσvt
26、式中，u为n×r维奇异矩阵，σ为r×r维的奇异对角矩阵，v为(t-1)×r维奇异矩阵，r为x的秩，u、σ、v均为x1的截断奇异值；得近似矩阵
27、
28、式中，vr、σr分别为u、v、σ的截断矩阵；
29、利用计算的特征值λ和特征向量ω，得动态特征：
30、
31、式中，q为锂电池特征向量矩阵，λ为锂电池特征值的对角矩阵，q-1为锂电池特征向量矩阵的逆矩阵。
32、进一步地，所述锂电池特征向量矩阵q包括锂电池的动态特征，具体为阻尼比、频相信息、实时温度变化、soc变化、内阻变化、实时充放电速率和电池失效模式；所述特征值λ包含锂电池在所属系统的动态特征。
33、进一步地，所述步骤(5)中实现过程如下：
34、dmd的关键参数包括u、v、σ三种奇异参数，autoformer模型的关键参数包括学习率b、编码器层数c、解码器层数d；将这六个参数进行编码，在各自变化范围内生成参数，构建编码集合。
35、进一步地，所述步骤(6)实现过程如下：
36、s1：进行随机初始化，将dmd和autoformer模型的关键参数作为粒子的个体位置：
37、
38、式中，xi为第i个粒子即编码后的关键参数，m为备选参数集合的个数，t为待优化dmd和autoformer的关键参数的个数，为第i个粒子的第j个决策变量；
39、s2：以锂电池的诊断结果综合误差最小，作为中子富集水平nel，具体为：
40、根据每组参数对应的诊断结果，计算出锂电池的召回率liz、误报率liw、漏报率lil，evo优化参数的搜索方向为使诊断综合误差e最小，e(·)的计算公式为：
41、
42、e(u，∑，v,af)＝pzliz+pwliw+pllil
43、
44、
45、
46、式中，yy为锂电池真实结果与检测结果均有故障；yn为锂电池真实结果为有故障，检测结果为无故障；ny为锂电池真实结果为无故障，检测结果为有故障；nn为锂电池真实结果与检测结果均无故障；pz,pw,pl分别是召回率liz、误报率liw、漏报率lil对应的权重，其计算采用信息熵；
47、计算备选关键参数集合的平均诊断误差eb：
48、
49、s3：根据neli，确定备选关键参数的归一化诊断误差sl：
50、
51、式中，bs和ws分别代表最优参数值和最差参数值对应的诊断误差；
52、s4：当neli＞eb，关键参数组会进行以α、β、γ策略的衰变以保持关键参数的稳定性；在[0，1]范围内随机生成数，作为局部搜索范围sb；当sli＞sb时，关键参数进行以α和γ策略的衰变，以保持关键参数的稳定性；位置更新公式如下：
53、
54、
55、
56、式中，为第i组关键参数与第k组关键参数之间的误差累加，(x1,y1)和(x2,y2)为关键参数在搜索空间中的坐标；为第i组关键参数发生以α为策略的衰变后产生的新位置向量，即寻优后dmd和autoformer的关键参数；xbs为最优关键参数的位置向量，alphaindexⅱ为[1,alpha indexⅰ]范围内的随机整数，定义哪些关键参数进行以α为策略的衰变；发射的射线是关键参数的决策变量，将其去除并替换为xbs；为第i组关键参数进行以γ策略为衰变的新位置向量，即寻优后dmd和autoformer的关键参数；xng为第i组关键参数的相邻关键参数的位置向量，该位置向量由确定；gamma indexⅰ为[1,t]范围内的随机整数，定义关键参数进行随机探索，以避免陷入局部最优；gamma indexⅱ为[1,gammaindexⅰ]范围内的随机整数，定义哪些组关键参数进行随机探索；发射的光子是关键参数的决策变量，被移除并被邻近的关键参数或候选xng替代；
57、s5：当sli≤sb，关键参数进行以β为策略的衰变；计算公式如下：
58、
59、
60、
61、式中，xcp为关键参数均值，为第i组关键参数进行以β为策略的衰变后产生的新位置向量，即生成新的dmd和autoformer的关键参数集合，该组关键参数会向xbs和xcp进行有控制的变化，r1和r2是两个在[0,1]范围内的随机数，决定了关键参数的变化量；对发生以β为策略的衰变的关键参数进行另一位置更新过程，此时第i组关键参数进行以β为策略衰变后产生的新位置向量为即生成新的dmd和autoformer的关键参数集合，以β为策略的衰变的关键参数向xbs和xng进行有控制的变化，此时sli不影响变化过程；r3和r4是两个在[0,1]范围内的随机数，决定了关键参数的变化量；
62、s6：当neli≤eb时，关键参数进行位置和速度趋于稳定的变化；此时关键参数更新公式如下：
63、
64、式中，为第i组关键参数通过位置和速度变化生成新位置向量，即寻优后dmd和autoformer的关键参数，r为[0,1]范围内的随机数，决定了关键参数的变化量；
65、s7：在每次位置更新后，进行验证该位置是否超出预设的上界或下界，若超出，则需进行修正以保证在预设范围内；
66、s8：当evo主循环结束时，如果neli＞eb，则每组关键参数生成两组新关键参数，分别为和相反，则只生成一组新关键参数，即然后将新生成的关键参数与当前关键参数集合合并，最佳关键参数组参与算法的下一个搜索循环；当算法达到最大迭代次数时，终止循环并输出xbs，此时对输出解码，即为dmd和autoformer模型的最终最优参数，实现协同优化。
67、本发明所述的一种锂电池故障的联邦协同智能诊断系统，包括数据采集模块、数据预处理模块、特征提取模块、故障参数共享模块和故障诊断模块；其中：
68、数据采集模块，收集锂电池运行数据，包括电压、电流、温度、荷电状态、内阻、锂电池内部压力、锂电池周围气体监测；
69、数据预处理模块，对运行数据进行预处理，采用样本熵对处理后的数据进行评估，设定样本熵的阈值，将样本熵值大于阈值的数据分类为复杂，否则分类为简单；
70、特征提取模块，利用动态模态分解dmd对运行数据进行特征提取，生成特征向量，提取锂电池动态特征数据；
71、故障参数共享模块，利用联邦学习，将复杂和简单的两类数据分别进行参数聚合，联合不同品牌锂电池协同建立全局模型，实现故障参数共享；将dmd及autoformer模型的关键参数组合在同一框架中，对其进行编码，构建编码集合；
72、故障诊断模块，基于能量谷优化算法evo对dmd和autoformer模型进行协同优化，并将分类为简单的数据输入至随机森林模型进行诊断，分类为复杂的数据输入优化后的autoformer模型进行诊断。
73、进一步地，所述系统还包括分类管理模块，对数据及结果进行分类管理，并将结果及相关处理方案反馈回用户端，以供用户进行紧急有效应对。
74、有益效果：与现有技术相比，本发明的有益效果：
75、本发明通过采用联邦学习的方法，能够有效利用不用品牌锂电池的运行数据，提高故障诊断的准确性和鲁棒性；利用联邦学习，联合各品牌锂电池，构建适用性、鲁棒性更强的全局模型，成功打破数据孤岛现象，提高了故障诊断系统准确性；
76、本发明通过搭建模型库的方法，将故障数据进行分类处理，可以有效提高工作效率，使用多个模型进行处理能够更加精准的确定故障类型，可以满足更复杂的情况、数据特征和性能要求，能够为各种各样的企业及用户解决需求；
77、本发明通过采用evo对dmd和autoformer模型协同优化的方法，能够有效应对协调系统中不同环节之间信息传递，并且能够将系统通过实体的实时通信和快速决策来响应环境的迅速变化，提高模型的泛化能力，提升系统的鲁棒性。
1.一种锂电池故障的联邦协同智能诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种锂电池故障的联邦协同智能诊断方法，其特征在于，步骤(1)所述锂电池运行数据包括电压、电流、温度、荷电状态、内阻、锂电池内部压力、锂电池周围气体监测数据。
3.根据权利要求1所述的一种锂电池故障的联邦协同智能诊断方法，其特征在于，所述步骤(3)中实现过程如下：
4.根据权利要求1所述的一种锂电池故障的联邦协同智能诊断方法，其特征在于，所述步骤(4)实现过程如下：
5.根据权利要求4所述的一种锂电池故障的联邦协同智能诊断方法，其特征在于，所述锂电池特征向量矩阵q包括锂电池的动态特征，具体为阻尼比、频相信息、实时温度变化、soc变化、内阻变化、实时充放电速率和电池失效模式。
6.根据权利要求4所述的一种锂电池故障的联邦协同智能诊断方法，其特征在于，所述特征值λ包含锂电池在所属系统的动态特征。
7.根据权利要求1所述的一种锂电池故障的联邦协同智能诊断方法，其特征在于，所述步骤(5)中实现过程如下：
8.根据权利要求1所述的一种锂电池故障的联邦协同智能诊断方法，其特征在于，所述步骤(6)实现过程如下：
9.一种采用如权利要求1至8所述方法的锂电池故障的联邦协同智能诊断系统，其特征在于，包括数据采集模块、数据预处理模块、特征提取模块、故障参数共享模块和故障诊断模块；其中：
10.根据权利要求9所述的一种锂电池故障的联邦协同智能诊断系统，其特征在于，所述系统还包括分类管理模块，对数据及结果进行分类管理，并将结果及相关处理方案反馈回用户端，以供用户进行紧急有效应对。
