[論文レビュー] Federated Battery Diagnosis and Prognosis

Nur Banu Altinpulluk, Deniz Altinpulluk+5 more|arXiv (Cornell University)|Oct 14, 2023

Advanced Battery Technologies ResearchEngineering被引用数 3

ひとこと要約

本稿では、生データの送信を避け、ローカルでモデルを学習し、モデルパラメータのみを共有することで、データの機微性を保証する、リチウムイオン二次電池の診断・予測を目的としたフェデレーテッドラーニングフレームワークを提案する。この手法は、中央集権的アプローチと同等の残存耐用年数（RUL）予測精度を達成しながら、データ転送とプライバシーリスクを排除し、通信コストを最小限に抑える。複数のバッテリーデータセットにおいて優れた性能を示しており、強力な性能を発揮している。

ABSTRACT

Battery diagnosis, prognosis and health management models play a critical role in the integration of battery systems in energy and mobility fields. However, large-scale deployment of these models is hindered by a myriad of challenges centered around data ownership, privacy, communication, and processing. State-of-the-art battery diagnosis and prognosis methods require centralized collection of data, which further aggravates these challenges. Here we propose a federated battery prognosis model, which distributes the processing of battery standard current-voltage-time-usage data in a privacy-preserving manner. Instead of exchanging raw standard current-voltage-time-usage data, our model communicates only the model parameters, thus reducing communication load and preserving data confidentiality. The proposed model offers a paradigm shift in battery health management through privacy-preserving distributed methods for battery data processing and remaining lifetime prediction.

研究の動機と目的

• 中央集権的バッテリー健全性管理システムにおけるデータの機微性と通信コストの課題に取り組むこと。
• 電流・電圧・時間・使用履歴の生データを共有せずに、複数の主体間で協働的なバッテリー予測を可能にすること。
• モデルの精度を維持しながら、データ機微性とデータ所在規制への準拠を確保するフェデレーテッドラーニングフレームワークの開発。
• 実世界のバッテリーデータセットを用いて、フェデレーテッドモデルの性能を中央集権的モデルおよびベースラインの定期的交換ポリシーと比較すること。
• バッテリー健全性管理における、モデルの精度、通信効率、データ機微性のトレードオフを定量化すること。

提案手法

• フレームワークは、分散型の方法でバッテリーの電流・電圧・時間・使用履歴データの低次元表現を学習するフェデレーテッドオートエンコーダー・アーキテクチャを採用する。
• 各データソースで現地にモデルをトレーニングし、ローカルデータのみを用いる。モデル重みは中央で集約され、グローバルモデルを更新する。
• 情報ダイオードを実装し、生データの転送を防止。これにより、モデルパラメータのみの交換が可能となり、データ機微性が保証される。
• 統計的および時間的特徴量（平均、標準偏差、容量／エネルギー指標など）を生電圧・電流データから抽出し、モデルの入力表現を強化する。
• 異なるレベルのデータ集約と通信効率を模擬するため、クラスタサイズを変化させたバッチ・フェデレーテッドトレーニング戦略を採用する。
• モデルの性能は、残存耐用年数（RUL）予測誤差およびコストレート指標を用いて評価され、フェデレーテッドラーニングと中央集権的・年齢ベースの交換ベンチマークとを比較する。

実験結果

リサーチクエスチョン

• RQ1 フェデレーテッドラーニングフレームワークは、生バッテリーデータを転送せずに、中央集権的モデルと同等のRUL予測精度を達成できるか？
• RQ2 中央集権的データ収集と比較して、フェデレーテッドアプローチは通信効率とデータ機微性においてどのように性能を発揮するか？
• RQ3 クラスタサイズ（データ集約レベル）を変化させた場合、フェデレーテッドバッテリー予測システムにおけるモデルの精度と収束性にどのような影響を与えるか？
• RQ4 年齢ベースの定期的交換ポリシーと比較して、フェデレーテッドモデルは未使用バッテリー寿命と運用コストの観点でどのように性能を発揮するか？
• RQ5 電流・電圧・時間データから導出される統計的および時間的特徴量は、フェデレーテッドバッテリー予測モデルの性能をどの程度向上できるか？

主な発見

• 完全にフェデレーテッドなモデルは、Nature Energyデータベースで100日間の閾値を設定した場合、コストレート20.3を達成し、年齢ベースのポリシーを上回り、未使用バッテリー寿命を最小限に抑えた。
• アランナNMC532データセットでは、フェデレーテッド手法により未使用寿命を124.6日（年齢ベースポリシー時551.8日）に削減し、コストレートを21.4まで低下させ、顕著な経済的利点を示した。
• バッチ・フェデレーテッド実験では、クラスタ数が増加（データ集約が減少）するにつれて予測誤差が増加した。これは、より高いデータローカリティがモデル性能を向上させることを確認した。
• 完全に中央集権的なモデルが最小の誤差を示したが、フェデレーテッドモデルは顕著に通信とデータ転送を削減しながら、同程度の性能を達成した。
• 情報ダイオード機構により、生データの漏洩が完全に防止され、利害対立する主体間での安全な協働が可能になった。
• モデルは、データセット全体で平均して1.3～3.9日間の利用不能日数に抑えることができ、過剰または遅延したバッテリー交換に起因する運用の中断を最小限に抑えた。