← 返回
面向锂离子电池健康状态估计的无源动态加权联邦迁移学习
Source-Free Dynamic Weighted Federated Transfer Learning for State-of-Health Estimation of Lithium-Ion Batteries With Data Privacy
| 作者 | Tengfei Han · Shang Yue · Pu Yang · Ruixu Zhou · Jianbo Yu |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2024年11月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | 储能系统 电池管理系统BMS 机器学习 深度学习 故障诊断 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 健康状态 (SOH) 锂离子电池 联邦学习 迁移学习 数据隐私 电池管理系统 |
语言:
中文摘要
针对电池健康状态（SOH）估计中数据孤岛与隐私保护难题，本文提出一种无源动态加权联邦迁移学习方法。该方法无需共享原始数据即可实现多用户模型协同训练，有效解决了单一用户数据不足的问题，提升了SOH估计的准确性与鲁棒性，为电池全生命周期管理提供了隐私保护下的智能化解决方案。
English Abstract
Most existing methods for battery state-of-health (SOH) estimation rely on centralized training mode. However, in practical applications, it is difficult for a single user to collect sufficient battery degradation data to train a model. In addition, in order to protect data privacy, users are unwilling to share data, where centralized training mode is not the best choice. To overcome these barrier...
S
SunView 深度解读
该技术对阳光电源的PowerTitan和PowerStack等储能系统具有极高的应用价值。在iSolarCloud智能运维平台中，利用联邦学习技术，可在不泄露客户隐私的前提下，汇聚全球电站的电池衰减数据，优化BMS的SOH估计算法。这不仅能提升储能电站全生命周期的安全性与运维效率，还能为电池梯次利用和残值评估提供数据支撑。建议研发团队将其集成至BMS云端算法库，以增强阳光电源在储能资产精细化管理领域的差异化竞争优势。