[논문 리뷰] Federated Battery Diagnosis and Prognosis

Nur Banu Altinpulluk, Deniz Altinpulluk외 5명|arXiv (Cornell University)|2023. 10. 14.

Advanced Battery Technologies ResearchEngineering인용 수 3

한 줄 요약

이 논문은 원자료를 공유하지 않고 모델 파라미터만 교환함으로써 데이터 기밀성을 유지하면서도 현지에서 모델을 훈련시키는 분산 학습 프레임워크를 제안한다. 이 방법은 중앙집중식 방법과 비교해 경쟁적인 잔여 수명 예측 정확도를 달성하면서도 데이터 전송과 기밀성 위험을 제거하며, 통신 오버헤드가 최소한인 여러 배터리 데이터셋에서 뛰어난 성능을 보였다.

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.

연구 동기 및 목표

• 중앙집중식 배터리 건강 관리 시스템에서의 데이터 기밀성 및 통신 오버헤드 문제를 해결하기 위해.
• 원자료인 전류-전압-시간-사용량 데이터를 공유하지 않고도 여러 기관 간에 협업형 배터리 수명 예측을 가능하게 하기 위해.
• 모델 정확도를 유지하면서도 데이터 기밀성과 데이터 거주 규정 준수를 보장하는 분산 학습 프레임워크를 개발하기 위해.
• 실제 배터리 데이터셋에서 분산 모델의 성능을 중앙집중식 및 기준 주기적 교체 정책과 비교 평가하기 위해.
• 배터리 건강 관리에서 모델 정확도, 통신 효율성, 데이터 기밀성 간의 상호 트레이드오프를 정량화하기 위해.

제안 방법

• 프레임워크는 분산 방식으로 배터리 전류-전압-시간-사용량 데이터의 저차원 표현을 학습하기 위해 분산 오토인코더 아키텍처를 사용한다.
• 로컬 모델은 각 데이터 소스에서 현지에 있는 로컬 데이터만을 사용해 훈련되며, 모델 가중치는 중앙에서 집계되어 글로벌 모델을 업데이트한다.
• 정보 디오드(정보 디오드)를 구현하여 원자료 전송을 방지하고, 오직 모델 파라미터만 교환함으로써 데이터 기밀성을 확보한다.
• 통계적 및 시간적 특징(평균, 표준편차, 용량/에너지 지표 등)을 원자료 전압 및 전류 데이터에서 추출하여 모델 입력 표현을 향상시킨다.
• 다양한 수준의 데이터 집합 및 통신 효율성을 시뮬레이션하기 위해 다양한 클러스터 크기를 가진 배치-분산 훈련 전략을 사용한다.
• 모델 성능 평가에는 잔여 수명(RUL) 예측 오차 및 비용률 지표를 사용하여 분산 학습을 중앙집중식 및 연령 기반 교체 기준과 비교한다.

실험 결과

연구 질문

• RQ1 원자료를 전송하지 않고도 분산 학습 프레임워크가 중앙집중식 모델과 유사한 RUL 예측 정확도를 달성할 수 있는가?
• RQ2 중앙집중식 데이터 수집 방식과 비교해 분산 접근 방식은 통신 효율성과 데이터 기밀성 측면에서 어떻게 성능을 내는가?
• RQ3 다양한 데이터 집계 수준(클러스터 크기)이 분산 배터리 수명 예측 시스템의 모델 정확도 및 수렴에 어떤 영향을 미치는가?
• RQ4 연령 기반 주기적 교체 정책과 비교해 분산 모델은 불필요한 배터리 수명과 운영 비용 측면에서 어떻게 성능을 내는가?
• RQ5 전류-전압-시간 데이터에서 유도된 통계적 및 시간적 특징은 분산 배터리 수명 예측 모델의 성능 향상에 어느 정도 기여하는가?

주요 결과

• 완전히 분산된 모델은 100일 기준으로 Nature Energy 데이터베이스에서 비용률 20.3을 기록하여 연령 기반 정책을 초월하고 불필요한 배터리 수명을 최소화했다.
• Argonne NMC532 데이터셋에서 분산 접근 방식은 불필요한 수명을 124.6일(연령 기반 정책 대비 551.8일)으로 줄였고 비용률도 21.4로 낮추어 뚜렷한 경제적 이점을 보였다.
• 배치-분산 실험 결과, 클러스터 수가 증가함에 따라 데이터 집계가 감소함에 따라 예측 오차가 증가했으며, 이는 더 높은 데이터 국지화가 모델 성능 향상에 기여함을 확인했다.
• 완전히 중앙집중식 모델은 가장 낮은 오차를 기록했지만, 분산 모델도 통신 및 데이터 전송을 크게 줄이며 유사한 성능를 달성했다.
• 정보 디오드 메커니즘이 원자료 유출을 성공적으로 방지하여, 경쟁 이익을 가진 기관 간의 안전한 협업을 가능하게 했다.
• 모델은 데이터셋 간 평균 가용하지 않은 일수를 1.3~3.9일로 줄여, 조기 또는 지연된 배터리 교체로 인한 운영 방해를 최소화했다.