[论文解读] 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 3

一句话总结

本文提出了一种用于锂离子电池诊断与预测的联邦学习框架，通过在本地训练模型并仅共享模型参数而非原始数据，实现了数据隐私保护。该方法在不传输数据且无隐私风险的前提下，实现了与集中式方法相当的剩余使用寿命（RUL）预测精度，同时在多个电池数据集上表现出色，通信开销极低。

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.

研究动机与目标

• 解决集中式电池健康管理系统中数据隐私与通信开销的关键挑战。
• 在不共享原始电流-电压-时间-使用数据的前提下，实现跨多个实体的协同电池预测。
• 开发一种联邦学习框架，在确保数据机密性并符合数据本地化法规的前提下，维持模型精度。
• 在真实世界电池数据集中，评估联邦模型相对于集中式方法与基线定期更换策略的性能。
• 量化电池健康管理中模型精度、通信效率与数据隐私之间的权衡。

提出的方法

• 该框架采用联邦自编码器架构，以去中心化方式学习电池电流-电压-时间-使用数据的低维表示。
• 本地模型在各数据源现场使用本地数据进行训练，模型权重由中心节点聚合以更新全局模型。
• 通过实施信息二极管机制，防止原始数据传输，仅允许交换模型参数，从而确保数据隐私。
• 从原始电压与电流数据中提取统计特征与时间特征，包括均值、标准差以及容量/能量指标，以增强模型输入表示。
• 采用批量联邦训练策略，通过调整聚类规模模拟不同层次的数据聚合与通信效率。
• 通过剩余使用寿命（RUL）预测误差与成本率指标评估模型性能，将联邦学习与集中式及基于年龄的更换基准进行对比。

实验结果

研究问题

• RQ1 联邦学习框架是否能在不传输原始电池数据的前提下，实现与集中式模型相当的RUL预测精度？
• RQ2 与集中式数据收集相比，联邦方法在通信效率与数据隐私方面表现如何？
• RQ3 在联邦电池预测系统中，不同数据聚合水平（聚类规模）对模型精度与收敛性有何影响？
• RQ4 与基于年龄的定期更换策略相比，联邦模型在未使用电池寿命与运行成本方面表现如何？
• RQ5 从电流-电压-时间数据中提取的统计与时间特征，能在多大程度上提升联邦电池预测模型的性能？

主要发现

• 在Nature Energy数据库上，完全联邦模型在100天阈值下实现20.3的成本率，优于基于年龄的策略，且最大限度减少了未使用电池寿命。
• 在Argonne NMC532数据集上，联邦方法将未使用寿命减少至124.6天（对比基于年龄策略的551.8天），成本率降至21.4，展现出显著的经济效益。
• 批量联邦实验表明，随着聚类数量增加（数据聚合减少），预测误差上升，证实更高的数据本地化水平可提升模型性能。
• 完全集中式模型误差最低，但联邦模型在显著减少通信与数据传输的前提下，接近其性能表现。
• 信息二极管机制成功防止了原始数据泄露，实现了具有竞争利益实体之间的安全协作。
• 模型在各数据集上的平均不可用天数降至1.3至3.9天，表明因过早或过晚更换电池导致的运行中断极小。