Стратегія управління енергією, що зберігає конфіденційність, для гібридних систем зберігання даних з алгоритмом федеративного навчання

Автори Geetha Anbazhagan1, U. Hemalatha2, V. Sudha3, J. Santhakumar4, Usha S1
Афіліація

1Department of Electrical and Electronics Engineering, College of Engineering and Technology, SRM Institute of Science and Technology, 603203 Kattankulathur, India

2Department of Artificial Intelligence and Data Science, Karpaga Vinayaga College of Engineering and Technology, Chennai, India

3Department of Computer Science and Engineering, Panimalar Engineering College, Chennai, India

4Department of Mechanical Engineering, College of Engineering and Technology, SRM Institute of Science and Technology, Kattankulathur, 603203 Chengalpattu, Tamil Nadu, India

Е-mail ushas@srmist.edu.in
Випуск Том 17, Рік 2025, Номер 6
Дати Одержано 10 серпня 2025; у відредагованій формі 13 грудня 2025; опубліковано online 19 грудня 2025
Цитування Geetha Anbazhagan, U. Hemalatha, V. Sudha, та ін., Ж. нано- електрон. фіз. 17 № 6, 06012 (2025)
DOI https://doi.org/10.21272/jnep.17(6).06012
PACS Number(s) 07.05.Kf, 88.85.Hj
Ключові слова Управління енергією, Електромобіль (3) , Стратегія управління, Федеративне навчання.
Анотація

Акумулятори електромобілів повинні бути функціональними якомога довше. Це досягається за допомогою гібридних систем накопичення енергії (HESS), які значною мірою контролюють профілі потужності заряджання та розряджання, що безпосередньо впливають на стан акумулятора. Інтеграція гібридної системи накопичення енергії (HESS) подовжує термін служби акумулятора та оптимізує управління енергією. У цій статті ми представляємо нову стратегію управління енергією (EMS) на основі федеративного навчання (FL) для вирішення таких проблем, як непередбачувані потреби в енергії, які можуть прискорити деградацію акумулятора. FL дозволяє спільне навчання для кількох електромобілів, гарантує конфіденційність даних для забезпечення точного прогнозування потреби в енергії та динамічної оптимізації енергії. У запропонованій EMS на основі FL локальні дані окремих електромобілів об'єднуються та використовуються для навчання моделей прогнозування, які агрегуються в глобальну модель. Цей підхід є децентралізованим та використовує екосистему Інтернету речей для покращення продуктивності та масштабованості всієї системи. Запропонований підхід демонструється в симуляціях MATLAB для зменшення пікової потужності розряду акумулятора, мінімізації коливань потужності та підвищення енергоефективності. Ці результати демонструють здатність системи збільшувати термін служби акумулятора, оптимізувати операційну ефективність та переосмислювати управління енергією в реальному світі впровадження електромобілів.

Перелік посилань