Privacidad preservando advertencia colaborativa de fallas de baterías para vehículos eléctricos masivos mediante...

Área de la Ciencia:

• Ingeniería Eléctrica
• Ciencias de la Computación
• Ciencia de Datos

Sus antecedentes:

• La seguridad de las baterías de los vehículos eléctricos (VE) es crucial para la descarbonización, pero la detección de fallas es un desafío debido a la heterogeneidad de los datos y las preocupaciones sobre la privacidad.
• El aprendizaje automático (ML) para la detección de fallas requiere datos extensos, a menudo propiedad de múltiples partes, lo que dificulta la aplicación práctica.
• Los métodos existentes de aprendizaje federado (FL) luchan con distribuciones de datos diversas y necesidades de personalización.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje federado que preserve la privacidad para la detección colaborativa de fallas en baterías de vehículos eléctricos.
• Permitir a los propietarios de datos personalizar sus modelos de detección de fallas para mejorar el rendimiento en datos heterogéneos.
• Abordar las limitaciones de los enfoques actuales de ML y FL en la gestión de baterías de vehículos eléctricos en el mundo real.

Principales métodos:

• Se propuso un marco de aprendizaje federado personalizado (PFL) que permite el entrenamiento cooperativo de modelos sin compartir datos directamente.
• Se implementó un mecanismo de personalización que permite a los propietarios de datos adaptar los modelos de detección a sus distribuciones de datos específicas.
• Se validó el marco utilizando un conjunto de datos de carga de baterías a gran escala y del mundo real de más de 10 000 vehículos eléctricos en 30 estaciones de carga.

Principales resultados:

• El marco PFL superó significativamente a los métodos FL de vanguardia en la precisión de la detección de fallas en baterías.
• Demostró sólidas capacidades de generalización, permitiendo una rápida adaptación a nuevos participantes y diversas condiciones de carga.
• Se confirmó la resiliencia contra la heterogeneidad de los datos y las variaciones en la longitud de la ventana de datos de entrada.

Conclusiones:

• El aprendizaje federado personalizado ofrece una solución viable para la cooperación que preserva la privacidad en la gestión de la seguridad de las baterías de los vehículos eléctricos.
• El marco propuesto mejora el rendimiento y la adaptabilidad de la detección, lo que facilita una mayor adopción de ML en infraestructuras críticas.
• Este enfoque promete beneficios económicos y sociales significativos al mejorar la confiabilidad de los vehículos eléctricos y apoyar las transiciones energéticas sostenibles.