澳門理工大學(xué)學(xué)者電動(dòng)車電池健康預(yù)測(cè)科研推動(dòng)可持續(xù)交通發(fā)展(澳門大學(xué)電機(jī))
中國(guó)基建報(bào)訊(區(qū)明玥 報(bào)道)澳門理工大學(xué)應(yīng)用科學(xué)學(xué)院計(jì)算機(jī)應(yīng)用技術(shù)博士學(xué)位課程博士生王奇隆在教授謝丹嬋、副教授鄧樹杰以及意大利博洛尼亞大學(xué)教授Giovanni Pau指導(dǎo)下,共同于國(guó)際學(xué)術(shù)期刊《IEEE Transactions on Transportation Electrification》(IEEE交通電氣化匯刊)發(fā)表論文“Decentralized Deep Learning Approach for Lithium-Ion Batteries State of Health Forecasting Using Federated Learning” (基于聯(lián)邦學(xué)習(xí)之分散式深度學(xué)習(xí)鋰離子電池健康度預(yù)測(cè)),為可持續(xù)交通發(fā)展及推動(dòng)電動(dòng)車和電池的潛力帶來(lái)智能解決方案,為智慧交通提供科研支持。
《IEEE交通電氣化匯刊》專注于與電動(dòng)車相關(guān)的元件、電網(wǎng)接口技術(shù)、標(biāo)準(zhǔn)、動(dòng)力、能源轉(zhuǎn)換和驅(qū)動(dòng)等相關(guān)重點(diǎn)研究,最新的影響因子為7。期刊同時(shí)收錄于SCIE和Scopus等國(guó)際知名數(shù)據(jù)庫(kù),于SCIE“工程:電子與電氣”和“運(yùn)輸科技”領(lǐng)域內(nèi)分別位列前10.23%和13.04%。
準(zhǔn)確預(yù)測(cè)電池健康狀態(tài)對(duì)電動(dòng)車的可靠性和行駛安全至關(guān)重要。常見的基于深度學(xué)習(xí)的電池健康預(yù)測(cè)方法通常依賴集中式數(shù)據(jù)來(lái)訓(xùn)練和改進(jìn)預(yù)測(cè)模型。然而,集中式方法存在數(shù)據(jù)隱私和可擴(kuò)展性等方面的挑戰(zhàn)。本研究提出了一種基于聯(lián)邦學(xué)習(xí)的分散式模型訓(xùn)練方法,能夠在保障駕駛者隱私、有效利用車載計(jì)算資源、并快速整合新數(shù)據(jù)的情況下,準(zhǔn)確預(yù)測(cè)電池的衰退。針對(duì)電動(dòng)車應(yīng)用場(chǎng)景,本研究還提出了一種應(yīng)用于聯(lián)邦學(xué)習(xí)訓(xùn)練的客戶端選取策略,這一策略能夠在分散式訓(xùn)練中提高模型的準(zhǔn)確性,并達(dá)到與集中式訓(xùn)練相近的效果。
本研究是該領(lǐng)域首批關(guān)注分散式相關(guān)問(wèn)題的探索之一。通過(guò)準(zhǔn)確且可靠的電動(dòng)車電池健康預(yù)測(cè),可以有效促進(jìn)電動(dòng)車產(chǎn)業(yè)的進(jìn)一步發(fā)展,有助于提升電動(dòng)車的使用壽命和性能,同時(shí)也提高了整體駕駛安全及體驗(yàn)。此外,這種分散式方法有助于在更大范圍內(nèi)保障用戶數(shù)據(jù)隱私,并減少集中式數(shù)據(jù)存儲(chǔ)的風(fēng)險(xiǎn)。
版權(quán)聲明:本文內(nèi)容由互聯(lián)網(wǎng)用戶自發(fā)貢獻(xiàn),該文觀點(diǎn)僅代表作者本人。本站僅提供信息存儲(chǔ)空間服務(wù),不擁有所有權(quán),不承擔(dān)相關(guān)法律責(zé)任。如發(fā)現(xiàn)本站有涉嫌抄襲侵權(quán)/違法違規(guī)的內(nèi)容, 請(qǐng)發(fā)送郵件至 舉報(bào),一經(jīng)查實(shí),本站將立刻刪除。