充電ステーションからの異種データによる多数の電気自動車のためのプライバシー保護共同バッテリー障害警告

科学分野:

• 電気工学;コンピューターサイエンス;データサイエンス

背景:

• 電気自動車（EV）のバッテリー安全性は脱炭素化にとって重要ですが、データの異質性やプライバシーの懸念により、障害検出は困難です。;障害検出のための機械学習（ML）は、多くの場合複数の当事者が所有する広範なデータを必要とし、実際的な応用を妨げています。;既存のフェデレーテッド学習（FL）手法は、多様なデータ分布やカスタマイズのニーズに対処するのに苦労しています。

研究 の 目的:

• 共同のEVバッテリー障害検出のためのプライバシー保護されたフェデレーテッド学習フレームワークを開発すること。;データ所有者が、異種データ間でのパフォーマンスを向上させるために、障害検出モデルをカスタマイズできるようにすること。;現在のMLおよびFLアプローチの実際のEVバッテリー管理における限界に対処すること。

主な方法:

• 直接的なデータ共有なしでの協調的なモデルトレーニングを可能にする、パーソナライズされたフェデレーテッド学習（PFL）フレームワークを提案しました。;データ所有者が特定のデータ分布に合わせて検出モデルを調整できるようにする、カスタマイズメカニズムを実装しました。;10,000台以上のEV、30の充電ステーションからの大規模な実際のバッテリー充電データセットを使用してフレームワークを検証しました。

主要な成果:

• PFLフレームワークは、バッテリー障害検出精度において、最先端のFL手法を大幅に上回りました。;新しい参加者や多様な充電条件への迅速な適応を可能にする、堅牢な汎化能力を示しました。;データの異質性や入力データウィンドウ長の変動に対する耐性が確認されました。

結論:

• パーソナライズされたフェデレーテッド学習は、EVバッテリー安全管理におけるプライバシー保護された協力のための実行可能なソリューションを提供します。;提案されたフレームワークは、検出パフォーマンスと適応性を向上させ、重要なインフラストラクチャへのMLのより広範な採用を促進します。;このアプローチは、EVの信頼性を向上させ、持続可能なエネルギー移行をサポートすることにより、大きな経済的および社会的利益をもたらすことが期待されます。