买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉广东工业大学申请的专利一种基于联邦学习和客户端多维评分机制的锂电池SOH估计方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121072973B 。

龙图腾网通过国家知识产权局官网在2026-02-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511189286.7，技术领域涉及：G06Q10/063；该发明授权一种基于联邦学习和客户端多维评分机制的锂电池SOH估计方法是由董楚煜;陈思哲;黄子鸿;谢书阳;洪子扬;韩晓岚设计研发完成，并于2025-08-25向国家知识产权局提交的专利申请。

本一种基于联邦学习和客户端多维评分机制的锂电池SOH估计方法在说明书摘要公布了：本申请公开一种基于联邦学习和客户端多维评分机制的锂电池SOH估计方法，所述方法包括：电池客户端构造本地特征数据集，基于所述特征数据集的格式，设计深度学习网络模型，并用于联邦服务器和所有客户端；初始化相关参数；构建融合动态损失、数据分布偏差、历史贡献度及梯度一致性的多维评分机制，进而构建使所有客户端评分总和最大化的目标函数；采用遗传算法求解最大适应度函数及其对应的客户端最优选择方案，根据方案选择客户端进行本地训练、参数上传与全局聚合，循环迭代直至模型参数收敛。本发明提出客户端多维评分机制，评估各客户端对全局模型性能的提升潜力，优化参与客户端选择，提升了联邦学习框架下锂电池SOH的估计精度、收敛速度。

本发明授权一种基于联邦学习和客户端多维评分机制的锂电池SOH估计方法在权利要求书中公布了：1.一种基于联邦学习和客户端多维评分机制的锂电池SOH估计方法，其特征在于，具体步骤如下： S1：各个参与训练的电池客户端在本地独立完成数据采集，并基于充放电运行数据构造本地特征数据集；所述特征数据集包括电压极差特征矩阵、电流极差特征矩阵和温度极差特征矩阵；基于所述特征数据集的格式，设计深度学习网络模型结构，并应用于联邦服务器端和所有客户端；所述深度学习网络模型以电压极差特征矩阵、电流极差特征矩阵、温度极差特征矩阵为输入，以每个充放电循环的电池SOH为输出； S2：初始化相关参数，设定联邦服务器端的模型参数和平均梯度，作为全局模型参数和全局平均梯度，设定客户端数量，所述客户端数量用于后续的模型参数聚合与更新、客户端选择优化； S3：联邦服务器将全局模型参数分发给全部客户端，各客户端基于本地电池数据进行本地训练；训练完成后，各客户端记录各自模型参数，作为初始数据，用于后续的优化，并向联邦服务器上传各自模型参数；联邦服务器在收集各客户端模型参数后，聚合所有客户端的参数进行全局模型参数更新； S4：构建客户端优化选择的目标函数，具体步骤包括：定义表征客户端参与状态的二元决策变量；建立融合动态损失、数据分布偏差、历史贡献度及梯度一致性的客户端多维性能评分机制，用以评估各客户端对提升全局模型性能的潜力；最后，以所选客户端综合性能评分总和最大化为目标，结合体现选中客户端数量下限和动态公平性约束的罚函数，形成客户端选择的目标函数； S5：采用遗传算法求解步骤S4所述客户端优化选择的目标函数，输出客户端最优选择方案，具体步骤包括：将所有表征客户端参与状态的二元决策变量编码为长度等于客户端总数的二进制染色体，其中基因位值1和0分别表示客户端激活和未激活；随机生成初始种群后，通过适应度比例选择父代，并执行单点交叉和位变异操作；当达到最大迭代次数或目标函数的最优适应度值连续停滞时终止遗传算法的迭代计算，并解码适应度值最高的染色体，获得客户端最优选择方案； S6：联邦服务器向所有客户端下发当前的全局模型参数，然后根据S5求解得到的客户端最优选择方案，选定对应客户端，使其在本地利用电池数据进行训练并更新SOH模型，训练完成后，被选定的客户端记录各自更新后的模型参数，并将更新后的模型参数上传至联邦服务器；联邦服务器在收集所有被选定的客户端模型参数后，进行聚合并更新全局模型参数，完成本轮联邦学习迭代； S7：迭代执行步骤S5至S6，直至联邦服务器上的全局模型参数收敛。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广东工业大学，其通讯地址为：510006 广东省广州市番禺区小谷围街道广东工业大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。