联邦电池容量预测模型

隐私保护更准

将联邦学习与CNN-FNN混合模型相结合，在保护数据隐私的同时提供更准确的电池容量预测

Chen, Xiang · Wang, Xingxing · 邓业林

Energy 2025

技术优势

不共享原始数据

联邦学习框架下，每辆车本地训练模型，只上传参数进行聚合，原始数据不出本地。

兼顾时序与频域特征

CNN与FNN混合模型同时提取容量衰减的时序和频域特征，比单一模型更全面。

优于基线和子模型

在20辆电动车的充电数据上验证，性能优于基线模型和单独的子模型，鲁棒性更好。

应用场景

• 电池健康管理：为电池健康管理提供隐私保护的容量预测，辅助制定维护策略。
• 电动汽车电池监测：在车端本地部署模型进行容量监测，无需上传数据到云端。
• 电池预测性维护：准确预测容量衰减趋势，支持提前安排维护或更换。
• 隐私保护机器学习：以联邦学习框架实现多车协作训练，保护各车数据隐私。