CN114066100A - 基于联邦学习的在线式电池循环寿命预测系统及方法 - Google Patents

基于联邦学习的在线式电池循环寿命预测系统及方法 Download PDF

Info

Publication number
CN114066100A
CN114066100A CN202111445931.9A CN202111445931A CN114066100A CN 114066100 A CN114066100 A CN 114066100A CN 202111445931 A CN202111445931 A CN 202111445931A CN 114066100 A CN114066100 A CN 114066100A
Authority
CN
China
Prior art keywords
model
battery
cloud
data
central server
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111445931.9A
Other languages
English (en)
Other versions
CN114066100B (zh
Inventor
任强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Xinweier Electronics Co Ltd
Original Assignee
Shenzhen Xinweier Electronics Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Xinweier Electronics Co Ltd filed Critical Shenzhen Xinweier Electronics Co Ltd
Priority to CN202111445931.9A priority Critical patent/CN114066100B/zh
Publication of CN114066100A publication Critical patent/CN114066100A/zh
Application granted granted Critical
Publication of CN114066100B publication Critical patent/CN114066100B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种基于联邦学习的在线式电池循环寿命预测系统，包括云端聚合中央服务器、电池检测边缘服务器、电池测试设备，所述云端聚合中央服务器通过不同连接方式与所述电池检测边缘服务器通讯，所述电池检测边缘服务器与所述云端聚合中央服务器之间模型参数传输，所述电池检测边缘服务器通过不同连接方式与若干个电池测试设备通讯，本发明有益效果：解决了电池测试的数据孤岛，使得各个机构之间通过共享底层模型参数协同训练电池循环寿命预测模型；不再需要将各个客户端的训练数据集上传至数据中心，在一定程度上减少了训练时间的开销，节省了训练模型的成本，提升了整个模型准确率和效率，并为数据隐私提供了最大的保护。

Description

基于联邦学习的在线式电池循环寿命预测系统及方法
技术领域
本发明涉及一种电池技术及电池寿命检测领域，尤其涉及一种基于联邦学习的在线式电池循环寿命预测系统及方法。
背景技术
锂离子电池因其具有能量密度高，无记忆效应，自放电小且循环寿命长等优点，被广泛应用于各种数码电子器件、电动汽车和储能电站等领域。其性能主要分为电性能和安全可靠性两大类，而长期的循环寿命是衡量其电性能的重要指标之一，属于必不可少的检测项目。除了电池本身等影响因素外，不同的检测方法也会对电池的循环寿命造成影响。
锂电池的循环寿命是指在一定的充放电机制下，锂电池的最大放电容量衰退到某一设置的阈值（通常为标称容量的80%）时经历的充放电循环数量。循环寿命预测是一个基于电池历史数据运用一定的数学方法对其循环寿命进行预测的过程。随着锂电池的应用日益广泛，电池循环寿命预测技术也得到了广泛的关注。目前，电池循环寿命预测主要是基于数据驱动的方法，其核心在于对大量的电池容量衰减轨迹和历史数据进行挖掘，提炼出其中蕴含的规律并泛化应用到待检测的电池上。运用数据驱动的手段进行电池的循环寿命预测，首要任务就是获取尽可能多的电池老化试验的容量数据。然而这一任务却面临着一些困难。一方面是数据孤岛现象严重。由于电池测试耗时长久，加上保密的考虑，电池测试领域很少有公开的数据集，电池测试数据被难以打破的壁垒封锁在各研究机构和企业内部。由于每个数据孤岛的数据大小或数据特征都具有一定的局限性，所以单个数据拥有者无法训练出对特定任务具有良好预测准确性的高质量模型。另一方面，数据安全和数据隐私问题近年来受到了前所未有的重视。2017年， 我国实施《中华人民共和国网络安全法》，要求在进行数据交易时需明确数据交易范围和数据保护义务，数据的收集者不能随意地对用户的个人信息进行修改和泄露。欧盟实施的《通用数据保护条例》也对收集用户数据的方式做出了要求，必须保证公开、透明，且用户有权利要求删除其个人有关数据，停止使用其数据进行分析建模。这些法案都对数据共享规则和数据的保护提出了明确的要求。也正是由于这些政策法规的限制，数据的获取难上加难。
要解决数据获取的困境，仅靠传统的方法已经出现瓶颈，而联邦学习(FederatedLearning)是一种基于分布式机器学习的框架。在这种框架中，客户端(例如移动设备)在中央服务器的协调下协作地训练模型，同时训练数据可保留在客户端本地，无需像传统机器学习方法将数据上传至数据中心，减轻了传统的集中式机器学习带来的许多系统隐私风险和成本。
发明内容
本发明的目的在于解决上述技术问题的不足而提供的一种新型的基于联邦学习的在线式电池循环寿命预测系统及方法。
本发明是通过以下技术方案来实现的：一种基于联邦学习的在线式电池循环寿命预测系统，包括云端聚合中央服务器、电池检测边缘服务器、电池测试设备，所述云端聚合中央服务器通过不同连接方式与所述电池检测边缘服务器通讯，所述电池检测边缘服务器与所述云端聚合中央服务器之间模型参数传输，所述电池检测边缘服务器通过不同连接方式与若干个电池测试设备通讯，所述云端聚合中央服务器用于参与联邦学习建模电池检测边缘服务器选择、初始模型及参数生成、全局超参数调优、模型聚合、模型下发、定期模型备份，所述电池检测设备得到的电池循环测试数据由局域网上传后保存在电池检测边缘服务器内部，所述电池检测边缘服务器基于本地私有测试数据训练电池循环寿命预测模型。
作为本发明进一步的方案，所述云端聚合中央服务器包括云端选择模块、云端初始化模块、云端聚合模块、云端模型更新模块；所述云端选择模块：云端聚合中央服务器维护全局统一的各参与联邦学习建模的电池检测边缘服务器元数据哈希表，元数据哈希表中包含着每个电池检测边缘服务器相关的元信息，每个电池检测边缘服务器首先都需要在中心注册服务器上进行自身信息的注册，这样各电池检测缘服务器才能进行互相感知；第一步，各参与方电池检测边缘服务器将自身的元信息整理为报文并发送注册请求，接着云端聚合中央服务器在哈希表上插入一条对应的条目，并返回注册成功信息，接着云端聚合中央服务器选取一部分满足要求的电池检测边缘服务器参与进联邦学习；为避免影响用户的设备使用，电池检测边缘服务器只有在工作负载低于某一阈值时才能接入云端中央服务器参与联邦学习的训练；云端选择模块选择C个电池检测边缘服务器作为联邦学习参与者，每个电池检测边缘服务器都有一个本地的私有数据集
Figure 446473DEST_PATH_IMAGE001
(c=1,2,3,…,C)，
Figure 411018DEST_PATH_IMAGE002
是电池循环测试数据样本特征，
Figure 268116DEST_PATH_IMAGE003
是对应的标签，nc表示参与联邦学习的第c个电池测试机构的数据集的大小；所述云端初始化模块：云端聚合中央服务器利用RSA算法生成公钥私钥，并将自身的公钥下发给各电池检测边缘服务器，用来加密要传输的数据，云端聚合中央服务器将当前模型和初始化后的模型参数至被选定的客户端；所述云端聚合模块：云端聚合中央服务器接收电池检测边缘服务器加密传入的模型参数或模型更新进行聚合；基于同态加密的特性，云端聚合中央服务器可以在不解密的前提下聚合来自电池检测边缘服务器本地模型的参数，一旦有足够数量的电池检测边缘服务器传输其本地更新的结果，则当前轮的更新则停止；所述云端模型更新模块：云端聚合中央服务器从参与当前轮数的客户端的本地模型参数或模型更新计算出聚合更新，来更新全局共享模型；训练全局模型的过程只依赖于本地模型的更新，而不是站点上的原始数据，随后将更新后的参数传给各客户端，通常认为数据集样本量越大，所训练出的模型更加准确，因此在模型聚合时让数据集样本量大的模型拥有更大的权重值，具体方法是在更新权重时根据各区域模型所拥有的样本数据集样本量进行加权平均，即
Figure 431244DEST_PATH_IMAGE004
，在每一轮模型权重更新之后，模块都会对新的全局模型性能进行评估，计算其对测试集误差和R2决定系数， 然后再保存和下发，方便及时对模型做出调整，提高系统的整体性能；云端聚合中央服务器对三个关键的全局超参数进行设置，分别是C代表参与联邦建模的客户端数量，B是边缘服务器训练的mini-Batch大小，E是边缘服务器训练的Epoch大小。
作为本发明进一步的方案，所述电池检测边缘服务器包括边缘端计算模块、边缘端模型更新模块；所述边缘端计算模块被选定的边缘服务器都通过执行在本地私有数据集上训练程序来计算模型参数或模型更新；所述边缘端模型更新模块从参与当前轮数的客户端的本地模型参数或模型更新计算出模型更新，来更新全局共享模型。
作为本发明进一步的方案，所述电池循环寿命预测模型从线性回归模型、基于树的回归模型（随机森林、XgBoost）、神经网络模型任意模型中选择，包括如下步骤：
（1）数据预处理：首先数据清洗，对原始数据中的空值、缺失值、异常值进行处理，得到可供建模的干净数据；其次数据转换，如对存在偏态数据进行对数转换纠正偏态；再次数据标准化，由于不同的特征具有不同的量级，为了避免特征量级相差悬殊对模型造成影响，需要对原始数据进行标准化变换，使其变为均值为0，标准差为1；
（2）特征工程：电池循环测试的原始数据不足以反映其循环寿命的变化，通过对其进行特征工程，生成更有预测性的特征，预测性的特征包括：
a）首个循环的放电容量为Qi（在此以Qi表示第i个循环的放电容量）；
b）最大放电容量与首个循环放电容量之差为max(Qi)- Q1；
c）第50个循环的放电容量为 Q50；
d）电池放电平台期时长；电池放电平台期是指电池在放电初期电压骤降之后，电池电压进入缓慢变化的一段时期，可由dQ/dV曲线的峰值确定，第i个放电周期放电平台期时长可表示为：
Figure 570888DEST_PATH_IMAGE005
，其中
Figure 85046DEST_PATH_IMAGE006
为第i个放电周期放电平台期时长，
Figure 480255DEST_PATH_IMAGE007
为对应平台期结束时刻，
Figure 701152DEST_PATH_IMAGE008
为对应平台期起始时刻，即电压骤降结束点；
e）平台期电压变化率；第i个放电周期平台期电压变化率可表示为：
Figure 507303DEST_PATH_IMAGE009
，其中
Figure 508757DEST_PATH_IMAGE010
表示第i个放电周期平台期电压变化率，
Figure 707657DEST_PATH_IMAGE011
是第i个平台期的电压压降值；
f）第50个循环和首个循环的直流内阻差值,即DCIR50-DCIR1；
g）最后10个循环的放电容量斜率，此处将放电容量视为循环序号的函数，即
Figure 783061DEST_PATH_IMAGE012
；则放电容量斜率可表示为：
Figure 261578DEST_PATH_IMAGE013
；
h）前50个循环中直流内阻的最小值，即min(DCIRi),i∈[1,50]；
i）第50个循环中充电平台电压与放电平台电压的差值，即ΔV=Vch-p- Vdc-p；
（3）模型训练：模型的学习目标可以表示为：
Figure 750328DEST_PATH_IMAGE014
，而C个参与联邦学习的电池测试机构都有其本地私有数据集|Di|=nc，n定义为参与整个联邦学习构建的所有数据集大小，即
Figure 956181DEST_PATH_IMAGE015
,则可将目标方程表示为：
Figure 479567DEST_PATH_IMAGE016
，每个参与联邦学习的客户端边缘服务器从云端聚合中央服务器下载当前的全局模型参数，以固定的学习率
Figure 830782DEST_PATH_IMAGE017
在当前循环寿命预测模型参数wt下计算各自在私有数据集上的平均损失梯度fc，
Figure 275670DEST_PATH_IMAGE018
，各参与的电池检测边缘服务器更新其本地的预测模型后，将模型更新的参数发送到云端聚合中央服务器，云端聚合中央服务器汇总这些模型的参数更新来改进全局共享循环寿命预测模型：
Figure 550794DEST_PATH_IMAGE019
Figure 663106DEST_PATH_IMAGE020
Figure 998273DEST_PATH_IMAGE021
，而对于每一个客户端边缘服务器，
Figure 147101DEST_PATH_IMAGE022
, 则在云端聚合中央服务器有：
Figure 960336DEST_PATH_IMAGE004
。
作为本发明进一步的方案，所述连接方式为有线或无线，所述有线连接方式包括但不限于网口连接、串口连接，所述无线连接方式包括但不限于WIFI连接、蓝牙连接、5G/6G连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接。
一种基于联邦学习的在线式电池循环寿命预测方法，包括如下步骤：
S1：在电池检测边缘服务器上对电池循环测试数据进行特征工程，生成样本数据；
S2：电池检测边缘服务器接受云端聚合中央服务器传输的初始模型参数、训练本地模型；
S3：电池检测边缘服务器每一轮训练完成后更新本地模型，并将最新的模型参数上传至云端聚合中央服务器；
S4：云端聚合中央服务器进行模型聚合，对更新后的全局模型进行评估；
S5：将步骤S4中的全局模型评估后，若模型精度达到要求，则停止模型训练，否则继续新一轮模型训练。
本发明的有益效果在于：
（1）解决了电池测试的数据孤岛，使得各个机构之间通过共享底层模型参数协同训练电池循环寿命预测模型；
（2）不再需要将各个客户端的训练数据集上传至数据中心，在各个客户端的数据隐私和敏感性的同时，在一定程度上减少了训练时间的开销，节省了训练模型的成本，提升了整个模型准确率和效率；
（3）解决电池测试数据获取困难的问题，同时最大限度的保护用户数据隐私，提高电池循环寿命的预测性能。
附图说明
图1为本发明基于联邦学习的在线式电池循环寿命预测系统示意图；
图2为本发明基于联邦学习的在线式电池循环寿命预测系统流程示意图；
图3为本发明基于联邦学习的在线式电池循环寿命预测系统框架结构示意图；
图4为本发明基于联邦学习的在线式电池循环寿命预测系统模型预测结果示意图；
图5为本发明基于联邦学习的在线式电池循环寿命预测建模方式进行对比图。
具体实施方式
下面结合附图及具体实施方式对本发明做进一步描述，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1～4，本发明实施例1中，一种基于联邦学习的在线式电池循环寿命预测系统，包括云端聚合中央服务器、电池检测边缘服务器、电池测试设备，所述云端聚合中央服务器通过不同连接方式与所述电池检测边缘服务器通讯，所述电池检测边缘服务器与所述云端聚合中央服务器之间模型参数传输，所述电池检测边缘服务器通过不同连接方式与若干个电池测试设备通讯，所述云端聚合中央服务器用于参与联邦学习建模电池检测边缘服务器选择、初始模型及参数生成、全局超参数调优、模型聚合、模型下发、定期模型备份，所述电池检测设备得到的电池循环测试数据由局域网上传后保存在电池检测边缘服务器内部，所述电池检测边缘服务器基于本地私有测试数据训练电池循环寿命预测模型。
其中，作为本发明进一步的方案，所述云端聚合中央服务器包括云端选择模块、云端初始化模块、云端聚合模块、云端模型更新模块；
所述云端选择模块：云端聚合中央服务器维护全局统一的各参与联邦学习建模的电池检测边缘服务器元数据哈希表，元数据哈希表中包含着每个电池检测边缘服务器相关的元信息，每个电池检测边缘服务器首先都需要在中心注册服务器上进行自身信息的注册，这样各电池检测缘服务器才能进行互相感知；第一步，各参与方电池检测边缘服务器将自身的元信息整理为报文并发送注册请求，接着云端聚合中央服务器在哈希表上插入一条对应的条目，并返回注册成功信息，接着云端聚合中央服务器选取一部分满足要求的电池检测边缘服务器参与进联邦学习；为避免影响用户的设备使用，电池检测边缘服务器只有在工作负载低于某一阈值时才能接入云端中央服务器参与联邦学习的训练；云端选择模块选择C个电池检测边缘服务器作为联邦学习参与者，每个电池检测边缘服务器都有一个本地的私有数据集
Figure 458313DEST_PATH_IMAGE001
(c=1,2,3,…,C)，
Figure 433223DEST_PATH_IMAGE002
是电池循环测试数据样本特征，
Figure 570812DEST_PATH_IMAGE003
是对应的标签，nc表示参与联邦学习的第c个电池测试机构的数据集的大小；所述云端初始化模块：云端聚合中央服务器利用RSA算法生成公钥私钥，并将自身的公钥下发给各电池检测边缘服务器，用来加密要传输的数据，云端聚合中央服务器将当前模型和初始化后的模型参数至被选定的客户端；所述云端聚合模块：云端聚合中央服务器接收电池检测边缘服务器加密传入的模型参数或模型更新进行聚合；基于同态加密的特性，云端聚合中央服务器可以在不解密的前提下聚合来自电池检测边缘服务器本地模型的参数，一旦有足够数量的电池检测边缘服务器传输其本地更新的结果，则当前轮的更新则停止；所述云端模型更新模块：云端聚合中央服务器从参与当前轮数的客户端的本地模型参数或模型更新计算出聚合更新，来更新全局共享模型；训练全局模型的过程只依赖于本地模型的更新，而不是站点上的原始数据，随后将更新后的参数传给各客户端，通常认为数据集样本量越大，所训练出的模型更加准确，因此在模型聚合时让数据集样本量大的模型拥有更大的权重值，具体方法是在更新权重时根据各区域模型所拥有的样本数据集样本量进行加权平均，即
Figure 922159DEST_PATH_IMAGE004
，在每一轮模型权重更新之后，模块都会对新的全局模型性能进行评估，计算其对测试集误差和R2决定系数， 然后再保存和下发，方便及时对模型做出调整，提高系统的整体性能；云端聚合中央服务器对三个关键的全局超参数进行设置，分别是C代表参与联邦建模的客户端数量，B是边缘服务器训练的mini-Batch大小，E是边缘服务器训练的Epoch大小。
其中，作为本发明进一步的方案，所述电池检测边缘服务器包括边缘端计算模块、边缘端模型更新模块；所述边缘端计算模块被选定的边缘服务器都通过执行在本地私有数据集上训练程序来计算模型参数或模型更新，具体过程可用下面的伪代码表示：
function LocalTrain(i, Wt):
#i为客户端的序号，Wt为第t轮的全局模型
D ← 将本地数据集
Figure 274643DEST_PATH_IMAGE023
随机分为若干B尺寸的数据集
for 每个本地epoch从1到E do
for 在D中的每个batch b do
Mt ← Mt -
Figure 951612DEST_PATH_IMAGE024
#利用batch数据做梯度下降
测试Mt并将Mt保存为新一轮的模型
Figure 609120DEST_PATH_IMAGE025
return
Figure 701841DEST_PATH_IMAGE025
。
其中，作为本发明进一步的方案，所述电池循环寿命预测模型从线性回归模型、基于树的回归模型（随机森林、XgBoost）、神经网络模型任意模型中选择，包括如下步骤：
（1）数据预处理：首先数据清洗，对原始数据中的空值、缺失值、异常值进行处理，得到可供建模的干净数据；其次数据转换，如对存在偏态数据进行对数转换纠正偏态；再次数据标准化，由于不同的特征具有不同的量级，为了避免特征量级相差悬殊对模型造成影响，需要对原始数据进行标准化变换，使其变为均值为0，标准差为1；
（2）特征工程：电池循环测试的原始数据不足以反映其循环寿命的变化，通过对其进行特征工程，生成更有预测性的特征，预测性的特征包括：
a）首个循环的放电容量为Qi（在此以Qi表示第i个循环的放电容量）；
b）最大放电容量与首个循环放电容量之差为max(Qi)- Q1；
c）第50个循环的放电容量为 Q50；
d）电池放电平台期时长；电池放电平台期是指电池在放电初期电压骤降之后，电池电压进入缓慢变化的一段时期，可由dQ/dV曲线的峰值确定，第i个放电周期放电平台期时长可表示为：
Figure 174411DEST_PATH_IMAGE005
，其中
Figure 756702DEST_PATH_IMAGE006
为第i个放电周期放电平台期时长，
Figure 400042DEST_PATH_IMAGE026
为对应平台期结束时刻，
Figure 296453DEST_PATH_IMAGE027
为对应平台期起始时刻，即电压骤降结束点；
e）平台期电压变化率；第i个放电周期平台期电压变化率可表示为：
Figure 623530DEST_PATH_IMAGE009
，其中
Figure 376722DEST_PATH_IMAGE028
表示第i个放电周期平台期电压变化率，
Figure 265613DEST_PATH_IMAGE029
是第i个平台期的电压压降值；
f）第50个循环和首个循环的直流内阻差值,即DCIR50-DCIR1；
g）最后10个循环的放电容量斜率，此处将放电容量视为循环序号的函数，即
Figure 496874DEST_PATH_IMAGE030
；则放电容量斜率可表示为；
Figure 678457DEST_PATH_IMAGE031
h）前50个循环中直流内阻的最小值，即min(DCIRi),i∈[1,50]；
i）第50个循环中充电平台电压与放电平台电压的差值，即ΔV=Vch-p- Vdc-p；
（3）模型训练：模型的学习目标可以表示为：
Figure 805813DEST_PATH_IMAGE032
， 而C个参与联邦学习的电池测试机构都有其本地私有数据集|Di|=nc，n定义为参与整个联邦学习构建的所有数据集大小，即
Figure 423745DEST_PATH_IMAGE015
，则可将目标方程表示为：
Figure 724276DEST_PATH_IMAGE016
，每个参与联邦学习的客户端边缘服务器从云端聚合中央服务器下载当前的全局模型参数，以固定的学习率
Figure 432469DEST_PATH_IMAGE017
在当前循环寿命预测模型参数wt下计算各自在私有数据集上的平均损失梯度fc，
Figure 278196DEST_PATH_IMAGE018
，各参与的电池检测边缘服务器更新其本地的预测模型后，将模型更新的参数发送到云端聚合中央服务器，云端聚合中央服务器汇总这些模型的参数更新来改进全局共享循环寿命预测模型：
Figure 665315DEST_PATH_IMAGE019
Figure 503958DEST_PATH_IMAGE020
Figure 128975DEST_PATH_IMAGE021
，而对于每一个客户端边缘服务器，
Figure 847401DEST_PATH_IMAGE022
, 则在云端聚合中央服务器有：
Figure 456237DEST_PATH_IMAGE004
；模型训练过程的详细信息如下：联合电池循环寿命预测框架算法，F是每一轮参与的客户端比例，B是本地Batch_size大小，E是本地Epoch大小，t是当前轮数索引，
Figure 98571DEST_PATH_IMAGE017
为学习率。
输入：各测试实验室的私有数据集
输出：基于联邦学习的电池循环寿命预测系统
CloudUpdate
初始化预测模型和模型参数w0
对于每一轮t=1,2,…T执行：
随机从所有参与联邦学习的客户端中选择max（F*C，1）个边缘服务器，记作集合Nt
对于每一个客户端c∈Nt（∣Nt∣= K）并行执行：
Figure 843673DEST_PATH_IMAGE033
Figure 811629DEST_PATH_IMAGE034
EdgeUpdate(c,w):\\在第c个边缘服务器上执行
Figure 376602DEST_PATH_IMAGE035
B ← 将数据集Dn分为B大小的数据块batch
对于每一个本地Epoch I 从1到E执行：
对于每一个数据块b∈B执行：
Figure 242534DEST_PATH_IMAGE036
返回模型参数w到云端中央服务器；
综上所述经过多个参与方以及云端中心服务器之间的加密数据交互式训练，本基于联邦学习的在线式电池循环寿命预测系统在不泄漏任何用户数据隐私的情况下，完成了模型训练过程；进行预测时，若各参与方均信任中心服务器，则可通过中心服务器进行样本预测，否则，各参与方在训练完成后，各自保存部分模型，预测过程通过各方共同参与协作完成。过程为：客户端将待预测样本数据发送至云端中心服务器，云端中心服务器复制请求并分别传输至各参与方，接着各参与方计算本地结果回传至中心服务器，中心服务器解密后得到该样本对应的电池循环寿命预测值。具体来说，假设有2个参与方A、B，则待预测样本数据可以表示为x = {xA,xB}, xA表示属于参与方A的维度，xB表示属于参与方B的维度，则参与方A的边缘推理过程即为将样本数据中属于参与方A的维度部分输入到A的本地模型中，并将模型的输出结果采用公钥加密，可用下式表示:
Figure 373301DEST_PATH_IMAGE037
,
其中Enc表示加密过程，modelA是A的本地模型，wA是A模型的本地参数。同理，参与方B的边缘推理过程可用下式表示：
Figure 246579DEST_PATH_IMAGE038
最终各参与方将边缘推理结果也就是
Figure 298849DEST_PATH_IMAGE039
和
Figure 469936DEST_PATH_IMAGE040
传输到云端中央服务器，汇总过程如下式：
Figure 455209DEST_PATH_IMAGE041
然后通过Dec[Enc[y]]，即对输出结果进行解密得到该样本对应的电池循环寿命预测值。
其中，作为本发明进一步的方案，所述连接方式为有线或无线，所述有线连接方式包括但不限于网口连接、串口连接，无线连接方式包括但不限于WIFI连接、蓝牙连接、5G/6G连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接。
请参阅图1～4，本发明实施例2中，一种基于联邦学习的在线式电池循环寿命预测方法，包括如下步骤：
S1：在电池检测边缘服务器上对电池循环测试数据进行特征工程，生成样本数据；
S2：电池检测边缘服务器接受云端聚合中央服务器传输的初始模型参数、训练本地模型；
S3：电池检测边缘服务器每一轮训练完成后更新本地模型，并将最新的模型参数上传至云端聚合中央服务器；
S4：云端聚合中央服务器进行模型聚合，对更新后的全局模型进行评估；
S5：将步骤S4中的全局模型评估后，若模型精度达到要求，则停止模型训练，否则继续新一轮模型训练。
请参阅图5，基于联邦学习的在线式电池循环寿命预测建模方式：
（a）联邦学习建模方式：将联邦学习框架独立设置在若干台服务器，模拟 若干台服务器不同电池检测设备，若干台服务器之间通过千兆以太网连接，同时将数据集划分为互斥的三部分，分别放置在三台服务器中，用于模拟电池检测设备内部自有数据集；
（b）集中式学习建模方式：完整的数据集设置在单台服务器上进行模型评测。
对比实验采用麻省理工学院公开的电池实验数据集，包括124个18650磷酸铁锂/石墨电池，充放电循环实验，采用统一的4C倍率进行放电，72种不同倍率（3.6C-6C）下的快速充电模式，恒温箱温度设定为30℃，记录电压、电流、内阻和温度参数。其中，附图4黑色色块即为模型预测的对应电池循环寿命终点（80%初始容量），当容量降低到初始容量的80%时实验终止，循环寿命范围为150-2300。训练集从电池前 600 次、700次、800 次循环依次划分，从这以后到 1030 次循环作为测试集。采用均方根误差RMSE和平均绝对误差MAPE评价模型有效性，测试结果如下表。
Figure 233810DEST_PATH_IMAGE043
由上表可见，联邦学习建模方式得到的模型在训练集和测试机上都表现出比集中式学习建模方式更好的性能，更为重要的是，联邦学习建模过程中，各参与方私有数据留在本地，用户敏感数据没有泄露的风险。
根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行适当的变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。

Claims (6)

1.一种基于联邦学习的在线式电池循环寿命预测系统，其特征在于：包括云端聚合中央服务器、电池检测边缘服务器、电池测试设备，所述云端聚合中央服务器通过不同连接方式与所述电池检测边缘服务器通讯，所述电池检测边缘服务器与所述云端聚合中央服务器之间模型参数传输，所述电池检测边缘服务器通过不同连接方式与若干个电池测试设备通讯，所述云端聚合中央服务器用于参与联邦学习建模电池检测边缘服务器选择、初始模型及参数生成、全局超参数调优、模型聚合、模型下发、定期模型备份，所述电池检测设备得到的电池循环测试数据由局域网上传后保存在电池检测边缘服务器内部，所述电池检测边缘服务器基于本地私有测试数据训练电池循环寿命预测模型。
2.根据权利要求1所述的基于联邦学习的在线式电池循环寿命预测系统，其特征在于：所述云端聚合中央服务器包括云端选择模块、云端初始化模块、云端聚合模块、云端模型更新模块；所述云端选择模块：云端聚合中央服务器维护全局统一的各参与联邦学习建模的电池检测边缘服务器元数据哈希表，元数据哈希表中包含着每个电池检测边缘服务器相关的元信息，每个电池检测边缘服务器首先都需要在中心注册服务器上进行自身信息的注册，这样各电池检测缘服务器才能进行互相感知；第一步，各参与方电池检测边缘服务器将自身的元信息整理为报文并发送注册请求，接着云端聚合中央服务器在哈希表上插入一条对应的条目，并返回注册成功信息，接着云端聚合中央服务器选取一部分满足要求的电池检测边缘服务器参与进联邦学习；为避免影响用户的设备使用，电池检测边缘服务器只有在工作负载低于某一阈值时才能接入云端中央服务器参与联邦学习的训练；云端选择模块选择C个电池检测边缘服务器作为联邦学习参与者，每个电池检测边缘服务器都有一个本地的私有数据集
Figure 562496DEST_PATH_IMAGE001
(c=1,2,3,…,C)，
Figure 276374DEST_PATH_IMAGE002
是电池循环测试数据样本特征，
Figure 915166DEST_PATH_IMAGE003
是对应的标签，nc表示参与联邦学习的第c个电池测试机构的数据集的大小；所述云端初始化模块：云端聚合中央服务器利用RSA算法生成公钥私钥，并将自身的公钥下发给各电池检测边缘服务器，用来加密要传输的数据，云端聚合中央服务器将当前模型和初始化后的模型参数至被选定的客户端；所述云端聚合模块：云端聚合中央服务器接收电池检测边缘服务器加密传入的模型参数或模型更新进行聚合；基于同态加密的特性，云端聚合中央服务器可以在不解密的前提下聚合来自电池检测边缘服务器本地模型的参数，一旦有足够数量的电池检测边缘服务器传输其本地更新的结果，则当前轮的更新则停止；所述云端模型更新模块：云端聚合中央服务器从参与当前轮数的客户端的本地模型参数或模型更新计算出聚合更新，来更新全局共享模型；训练全局模型的过程只依赖于本地模型的更新，而不是站点上的原始数据，随后将更新后的参数传给各客户端，通常认为数据集样本量越大，所训练出的模型更加准确，因此在模型聚合时让数据集样本量大的模型拥有更大的权重值，具体方法是在更新权重时根据各区域模型所拥有的样本数据集样本量进行加权平均，即
Figure 310375DEST_PATH_IMAGE004
，在每一轮模型权重更新之后，模块都会对新的全局模型性能进行评估，计算其对测试集误差和R2决定系数， 然后再保存和下发，方便及时对模型做出调整，提高系统的整体性能；云端聚合中央服务器对三个关键的全局超参数进行设置，分别是C代表参与联邦建模的客户端数量，B是边缘服务器训练的mini-Batch大小，E是边缘服务器训练的Epoch大小。
3.根据权利要求1所述的基于联邦学习的在线式电池循环寿命预测系统，其特征在于：所述电池检测边缘服务器包括边缘端计算模块、边缘端模型更新模块；所述边缘端计算模块被选定的边缘服务器都通过执行在本地私有数据集上训练程序来计算模型参数或模型更新；所述边缘端模型更新模块从参与当前轮数的客户端的本地模型参数或模型更新计算出模型更新，来更新全局共享模型。
4.根据权利要求1所述的基于联邦学习的在线式电池循环寿命预测系统，其特征在于：所述电池循环寿命预测模型从线性回归模型、基于树的回归模型、神经网络模型任意模型中选择，包括如下步骤：
（1）数据预处理：首先数据清洗，对原始数据中的空值、缺失值、异常值进行处理，得到可供建模的干净数据；其次数据转换，如对存在偏态数据进行对数转换纠正偏态；再次数据标准化，由于不同的特征具有不同的量级，为了避免特征量级相差悬殊对模型造成影响，需要对原始数据进行标准化变换，使其变为均值为0，标准差为1；
（2）特征工程：电池循环测试的原始数据不足以反映其循环寿命的变化，通过对其进行特征工程，生成更有预测性的特征，预测性的特征包括：
a）首个循环的放电容量为Qi；
b）最大放电容量与首个循环放电容量之差为max(Qi)- Q1；
c）第50个循环的放电容量为 Q50；
d）电池放电平台期时长；电池放电平台期是指电池在放电初期电压骤降之后，电池电压进入缓慢变化的一段时期，可由dQ/dV曲线的峰值确定，第i个放电周期放电平台期时长可表示为：
Figure 593589DEST_PATH_IMAGE005
，其中
Figure 714254DEST_PATH_IMAGE006
为第i个放电周期放电平台期时长，
Figure 981288DEST_PATH_IMAGE007
为对应平台期结束时刻，
Figure 773663DEST_PATH_IMAGE008
为对应平台期起始时刻，即电压骤降结束点；
e）平台期电压变化率；第i个放电周期平台期电压变化率可表示为：
Figure 176963DEST_PATH_IMAGE009
，其中
Figure 170326DEST_PATH_IMAGE010
表示第i个放电周期平台期电压变化率，
Figure 518131DEST_PATH_IMAGE011
是第i个平台期的电压压降值；
f）第50个循环和首个循环的直流内阻差值,即DCIR50-DCIR1；
g）最后10个循环的放电容量斜率，此处将放电容量视为循环序号的函数，即
Figure 51881DEST_PATH_IMAGE012
，则放电容量斜率可表示为
Figure 575266DEST_PATH_IMAGE013
；
h）前50个循环中直流内阻的最小值，即min(DCIRi),i∈[1,50]；
i）第50个循环中充电平台电压与放电平台电压的差值，即ΔV=Vch-p- Vdc-p；
（3）模型训练：模型的学习目标可以表示为：
Figure 473952DEST_PATH_IMAGE014
而C个参与联邦学习的电池测试机构都有其本地私有数据集|Di|=nc，n定义为参与整个联邦学习构建的所有数据集大小，即
Figure 715577DEST_PATH_IMAGE015
,则可将目标方程表示为：
Figure 342431DEST_PATH_IMAGE016
,每个参与联邦学习的客户端边缘服务器从云端聚合中央服务器下载当前的全局模型参数，以固定的学习率
Figure 782640DEST_PATH_IMAGE017
在当前循环寿命预测模型参数wt下计算各自在私有数据集上的平均损失梯度fc，
Figure 117806DEST_PATH_IMAGE018
，各参与的电池检测边缘服务器更新其本地的预测模型后，将模型更新的参数发送到云端聚合中央服务器，云端聚合中央服务器汇总这些模型的参数更新来改进全局共享循环寿命预测模型：
Figure 315569DEST_PATH_IMAGE019
Figure 394384DEST_PATH_IMAGE020
Figure 751416DEST_PATH_IMAGE021
，而对于每一个客户端边缘服务器，
Figure 523063DEST_PATH_IMAGE022
, 则在云端聚合中央服务器有：
Figure 942543DEST_PATH_IMAGE004
。
5.根据权利要求1所述的基于联邦学习的在线式电池循环寿命预测系统，其特征在于：所述连接方式为有线或无线，所述有线连接方式包括但不限于网口连接、串口连接，无线连接方式包括但不限于WIFI连接、蓝牙连接、5G/6G连接、WiMAX连接、Zigbee连接、UWB连接。
6.一种基于联邦学习的在线式电池循环寿命预测方法，其特征在于，包括如下步骤：
S1：在电池检测边缘服务器上对电池循环测试数据进行特征工程，生成样本数据；
S2：电池检测边缘服务器接受云端聚合中央服务器传输的初始模型参数、训练本地模型；
S3：电池检测边缘服务器每一轮训练完成后更新本地模型，并将最新的模型参数上传至云端聚合中央服务器；
S4：云端聚合中央服务器进行模型聚合，对更新后的全局模型进行评估；
S5：将步骤S4中的全局模型评估后，若模型精度达到要求，则停止模型训练，否则继续新一轮模型训练。
CN202111445931.9A 2021-12-01 2021-12-01 基于联邦学习的在线式电池循环寿命预测系统及方法 Active CN114066100B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111445931.9A CN114066100B (zh) 2021-12-01 2021-12-01 基于联邦学习的在线式电池循环寿命预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111445931.9A CN114066100B (zh) 2021-12-01 2021-12-01 基于联邦学习的在线式电池循环寿命预测系统及方法

Publications (2)

Publication Number Publication Date
CN114066100A true CN114066100A (zh) 2022-02-18
CN114066100B CN114066100B (zh) 2024-06-25

Family

ID=80228062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111445931.9A Active CN114066100B (zh) 2021-12-01 2021-12-01 基于联邦学习的在线式电池循环寿命预测系统及方法

Country Status (1)

Country Link
CN (1) CN114066100B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114818476A (zh) * 2022-04-01 2022-07-29 西南交通大学 一种应用于旋转机械设备寿命预测的联邦学习系统及方法
CN114879050A (zh) * 2022-06-14 2022-08-09 山东大学 基于云边协同的动力电池寿命智能快速测试方法及系统
CN115236521A (zh) * 2022-07-20 2022-10-25 西安交通大学 基于半监督协同训练框架的锂离子电池健康状态估计方法
CN115600512A (zh) * 2022-12-01 2023-01-13 深圳先进技术研究院（Cn） 一种基于分布式学习的刀具寿命预测方法
CN115775010A (zh) * 2022-11-23 2023-03-10 国网江苏省电力有限公司信息通信分公司 基于横向联邦学习的电力数据共享方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110058165A (zh) * 2017-10-17 2019-07-26 小利兰·斯坦福大学托管委员会 锂离子电池容量衰减和寿命预测的数据驱动模型
US20200027033A1 (en) * 2018-07-19 2020-01-23 Adobe Inc. Updating Machine Learning Models On Edge Servers
CN111369042A (zh) * 2020-02-27 2020-07-03 山东大学 一种基于加权联邦学习的无线业务流量预测方法
CN112101489A (zh) * 2020-11-18 2020-12-18 天津开发区精诺瀚海数据科技有限公司 一种联邦学习与深度学习融合驱动的设备故障诊断方法
CN112181666A (zh) * 2020-10-26 2021-01-05 华侨大学 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质
CN112488322A (zh) * 2020-12-15 2021-03-12 杭州电子科技大学 一种基于数据特征感知聚合的联邦学习模型训练方法
CN112764927A (zh) * 2021-01-21 2021-05-07 西安电子科技大学 一种车辆选择和资源联合优化方法、系统、介质及应用
CN112862011A (zh) * 2021-03-31 2021-05-28 中国工商银行股份有限公司 基于联邦学习的模型训练方法、装置及联邦学习系统
CN113077060A (zh) * 2021-03-30 2021-07-06 中国科学院计算技术研究所 针对边云协同的联邦学习系统及方法
CN113219358A (zh) * 2021-04-29 2021-08-06 东软睿驰汽车技术（沈阳）有限公司 电池包健康状态计算方法、系统及电子设备
CN113689005A (zh) * 2021-09-07 2021-11-23 三星电子（中国）研发中心 一种增强型横向联邦学习方法和装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110058165A (zh) * 2017-10-17 2019-07-26 小利兰·斯坦福大学托管委员会 锂离子电池容量衰减和寿命预测的数据驱动模型
US20200027033A1 (en) * 2018-07-19 2020-01-23 Adobe Inc. Updating Machine Learning Models On Edge Servers
CN111369042A (zh) * 2020-02-27 2020-07-03 山东大学 一种基于加权联邦学习的无线业务流量预测方法
CN112181666A (zh) * 2020-10-26 2021-01-05 华侨大学 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质
CN112101489A (zh) * 2020-11-18 2020-12-18 天津开发区精诺瀚海数据科技有限公司 一种联邦学习与深度学习融合驱动的设备故障诊断方法
CN112488322A (zh) * 2020-12-15 2021-03-12 杭州电子科技大学 一种基于数据特征感知聚合的联邦学习模型训练方法
CN112764927A (zh) * 2021-01-21 2021-05-07 西安电子科技大学 一种车辆选择和资源联合优化方法、系统、介质及应用
CN113077060A (zh) * 2021-03-30 2021-07-06 中国科学院计算技术研究所 针对边云协同的联邦学习系统及方法
CN112862011A (zh) * 2021-03-31 2021-05-28 中国工商银行股份有限公司 基于联邦学习的模型训练方法、装置及联邦学习系统
CN113219358A (zh) * 2021-04-29 2021-08-06 东软睿驰汽车技术（沈阳）有限公司 电池包健康状态计算方法、系统及电子设备
CN113689005A (zh) * 2021-09-07 2021-11-23 三星电子（中国）研发中心 一种增强型横向联邦学习方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HUAWEI HUANG等: "WorkerFirst Worker-Centric Model Selection for Federated Learning in Mobile Edge Computing", 2020 IEEE/CIC INTERNATIONAL CONFERENCE ON COMMUNICATIONS IN CHINA, 31 December 2020 (2020-12-31), pages 1039 - 1044 *
ZHENG SONG: "Pushing Participatory Sensing Further to the Edge", 2019 IEEE INTERNATIONAL CONFERENCE ON EDGE COMPUTING, 31 December 2019 (2019-12-31), pages 24 - 26 *
赵羽;杨洁;刘淼;孙金龙;桂冠;: "面向视频监控基于联邦学习的智能边缘计算技术", 通信学报, no. 10, 31 December 2020 (2020-12-31), pages 113 - 119 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114818476A (zh) * 2022-04-01 2022-07-29 西南交通大学 一种应用于旋转机械设备寿命预测的联邦学习系统及方法
CN114818476B (zh) * 2022-04-01 2023-08-22 西南交通大学 一种应用于旋转机械设备寿命预测的联邦学习系统及方法
CN114879050A (zh) * 2022-06-14 2022-08-09 山东大学 基于云边协同的动力电池寿命智能快速测试方法及系统
CN115236521A (zh) * 2022-07-20 2022-10-25 西安交通大学 基于半监督协同训练框架的锂离子电池健康状态估计方法
CN115775010A (zh) * 2022-11-23 2023-03-10 国网江苏省电力有限公司信息通信分公司 基于横向联邦学习的电力数据共享方法
CN115775010B (zh) * 2022-11-23 2024-03-19 国网江苏省电力有限公司信息通信分公司 基于横向联邦学习的电力数据共享方法
CN115600512A (zh) * 2022-12-01 2023-01-13 深圳先进技术研究院（Cn） 一种基于分布式学习的刀具寿命预测方法

Also Published As

Publication number Publication date
CN114066100B (zh) 2024-06-25

Similar Documents

Publication Publication Date Title
CN114066100A (zh) 基于联邦学习的在线式电池循环寿命预测系统及方法
Zhou et al. LSTM-based energy management for electric vehicle charging in commercial-building prosumers
CN111737749A (zh) 基于联邦学习的计量装置告警预测方法及设备
Zhang et al. Weight optimized unscented Kalman filter for degradation trend prediction of lithium-ion battery with error compensation strategy
Kong et al. Refined peak shaving potential assessment and differentiated decision-making method for user load in virtual power plants
Liu et al. A multi-attribute group decision-making method based on trust relationship and DEA regret cross-efficiency
CN114676941B (zh) 园区综合能源系统电-热负荷联合自适应预测方法及装置
Nogay Estimating the aggregated available capacity for vehicle to grid services using deep learning and Nonlinear Autoregressive Neural Network
CN112001564B (zh) 基于长短期记忆网络的用户离家时间预测方法
Alamaniotis et al. Enhancing privacy of electricity consumption in smart cities through morphing of anticipated demand pattern utilizing self-elasticity and genetic algorithms
Tao et al. Data-driven matching protocol for vehicle-to-vehicle energy management considering privacy preservation
Zhang et al. Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM
CN116862551A (zh) 一种考虑用户隐私保护的新能源消纳电价决策方法
CN117498319A (zh) 基于融合聚类与vqc-lstm的分布式光伏短期功率预测方法
Mao et al. Multi-time scale forecast for schedulable capacity of Electric Vehicle fleets using big data analysis
Liang et al. A wind speed combination forecasting method based on multifaceted feature fusion and transfer learning for centralized control center
Tian et al. Method for predicting the remaining mileage of electric vehicles based on dimension expansion and model fusion
Hong et al. Development of EV charging templates: an improved K‐prototypes method
Xu et al. Edge resource prediction and auction for distributed spatial crowdsourcing with differential privacy
Shang et al. An Information Security Solution for Vehicle-to-grid Scheduling by Distributed Edge Computing and Federated Deep Learning
CN114358310A (zh) 一种基于横向安全联邦学习的锂电池soh估计方法
Lu et al. Residential Energy Consumption Forecasting Based on Federated Reinforcement Learning with Data Privacy Protection.
Zhu et al. An FCM based weather type classification method considering photovoltaic output and meteorological characteristics and its application in power interval forecasting
Wei et al. A Hierarchical Framework for Vehicle-to-Grid (V2G) Distributed Control Combining Peer-to-peer Blockchain with Systemic Scheduling
Zongbao A Line loss management method based on improved random forest algorithm in distributed generation system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant