基于自监督学习的隐私保护容量估计通用框架
机器学习
2025-10-20 v2
摘要
准确的电池容量估计是缓解消费者对电池性能和电动汽车（EV）可靠性关切的关键。然而，严格的隐私法规和标记数据不足的实际数据限制，阻碍了开发对真实数据分布迁移鲁棌的通用容量估计模型。虽然自监督学习可利用无标签数据，但现有技术并非针对从挑战现场数据中有效学习——更不用说从隐私友好型数据中学习，这类数据往往特征较少且更嘈杂。本文提出一种首创的容量估计模型，基于自监督预训练，在来自真实 EV 运行情形的大规模隐私友好型充电数据片段上开发。我们的预训练框架——片段相似度加权遮蔽输入重构——旨在即使来自特征较少和碎片化的隐私友好型数据，也能学习丰富、通用的表示。我们的关键创新在于利用对比学习，首先捕获 otherwise lacks meaningful context 的碎片片段之间的高层次相似性。通过片段级对比学习和随后相似度加权遮蔽重构，我们能够学习到来自单个片段内部的细粒度充电模式以及跨不同片段的高层关联关系。凭借这种丰富的表示学习，我们的模型在各种基准方法中 consistently 均能取得优异性能，在受制于制造商和年龄导致的分布迁移的挑战域设置下，测试误差比最佳基准低 31.9%。源代码已公开于 https://github.com/en-research/GenEVBattery。
引用
@article{arxiv.2510.05172,
title = {Learning More with Less: A Generalizable, Self-Supervised Framework for Privacy-Preserving Capacity Estimation with EV Charging Data},
author = {Anushiya Arunan and Yan Qin and Xiaoli Li and U-Xuan Tan and H. Vincent Poor and Chau Yuen},
journal= {arXiv preprint arXiv:2510.05172},
year = {2025}
}
备注
Accepted in IEEE Transactions on Industrial Informatics