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：(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；

(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；

(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；

(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；

(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；

(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；

(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；

所述步骤(5)中实现过程如下：

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；

所述步骤(6)实现过程如下：

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：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；

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：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：E(U，∑，V,af)＝pzLiz+pwLiw+plLil

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；

计算备选关键参数集合的平均诊断误差EB：

S3：根据NELi，确定备选关键参数的归一化诊断误差SL：

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；

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：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，Alpha IndexⅡ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,Gamma IndexⅠ]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；

S5：当SLi≤SB，关键参数进行以β为策略的衰变；计算公式如下：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；

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：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；

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；

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。

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：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；

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：

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。

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：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：xt＝Axt‑1+εt

式中，A为K×K的系数矩阵；

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：

则动态模态分解表达式为：

X2≈AX1

对X进行奇异矩阵分解：

T

X1＝UΣV

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；得近似矩阵式中， Vr、Σr分别为U、V、Σ的截断矩阵；

利用 计算 的特征值λ和特征向量ω，得动态特征：

‑1

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 为锂电池特征向量矩阵的逆矩阵。

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。

7.一种采用如权利要求1至6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：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；

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；

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；

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；

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。

8.根据权利要求7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。