Search academic texts

Information × Registration Number 2125U004245, Article popup.category Стаття Title A Privacy-Preserving Energy Management Strategy for Hybrid Storage Systems with Federated Learning Algorithm (AI translated) popup.author Anbazhagan G.Hemalatha U.Sudha V.Santhakumar J.Usha S.Anbazhagan G.Hemalatha U.Sudha V.Santhakumar J.Usha S. popup.publication 01-01-2025 popup.source_user Сумський державний університет popup.source https://essuir.sumdu.edu.ua/handle/123456789/101426 popup.publisher Sumy State University Description 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. Electric vehicle batteries need to be functional for as long as possible. This is achieved by means of Hybrid electric storage systems (HESS), which control, to a great extent, the power profiles of the charging as well as the discharging that directly impact the battery health. Hybrid Electric Storage System (HESS) integration extends battery life and optimizes energy management. In this paper, we introduce a novel energy management strategy (EMS) based on Federated Learning (FL) to address such challenges as unpredictable power demands can accelerate battery degradation. FL allows collaborative learning over multiple EVs, guarantees data privacy to facilitate accurate power demand prediction, and dynamic energy optimization. In the proposed FL based EMS, local data of individual EVs is fused and utilized to train prediction models which are aggregated into a global model. This approach is decentralized and utilizes the IoT ecosystem to improve the system-wide performance and scalability. The proposed approach is demonstrated in MATLAB simulations to reduce battery peak discharge power, minimize power variations, and increase energy efficiency. These results show the system’s capacity for increasing battery life, optimizing operational efficiency, and redefining energy management in real world EV deployment popup.nrat_date 2026-04-17 Close