Federated multi-modal data fusion for enhanced state of health forecasting in battery electric vehicle fleets incorporating vehicle-to-grid operations
Fares Suliaman Alromithy、Abdulrahman Almazroui、Rakan Almazmomi、Alaa Fouad Momena、Bader Alfardan、E. S. Ali、Naif Alsaadi
5. Federated multi-modal data fusion for enhanced state of health forecasting in battery electric vehicle fleets incorporating vehicle-to-grid operations
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | Scientific Reports出版社文章页；PDF未单独获取；出版社页面摘要和作者信息可读。 |
| 发现来源 | OpenAlex；source_history=OpenAlex；query=battery capacity fade prediction；为历史积压候选。 |
| 期刊/会议/平台 | Scientific Reports，2026年论文；出版社标注为已接受、提前公开版本。 |
| 发表日期 | 2026-08-06；Nature出版社页明确列为发表日；收到日2026-03-20、接受日2026-07-27。 |
| 作者/机构 | Fares Suliaman Alromithy、Abdulrahman Almazroui、Rakan Almazmomi、Alaa Fouad Momena、Bader Alfardan、Ehab S. Ali、Naif Alsaadi；分别来自University of Tabuk、King Abdulaziz University、Prince Sattam Bin Abdulaziz University、King Khalid University及Jazan University相关院系。 |
| 通讯作者 | Fares Suliaman Alromithy；Nature页面列出通讯作者及University of Tabuk邮箱。 |
| 脚本评分/证据等级 | 76；SOH预测、联邦/多模态线索和期刊等；摘要级。 |
| 核验路径 | payload无PDF；读取Nature出版社页面，核验摘要、发表状态、日期、作者/机构和通讯作者。 |
纳入理由与原文证据
- 主题/边界： 直接预测BEV电池SOH，并研究V2G工况下的健康变化，符合SOH预测；主要价值在车队建模方向，不是已验证实车部署。
- 证据： 出版社摘要称采用600辆BEV的“合成但现实”数据集，并报告V2G高强度情景RMSE相对下降15–20%；Nature摘要。
数据集/电池体系
- 体系/数据： 600辆BEV的合成数据，联合电池遥测、驾驶行为、环境和V2G交互信号；化学体系、电芯/电池包配置、模拟器来源和数据生成代码未在摘要/可读页面说明。
- 工况/跨域： 摘要称工况异质并测试non-IID联邦节点；未报告真实车队数据、温度/倍率范围、车辆和电芯数量映射，亦未说明训练/测试按车辆、车队还是时间划分。
EOL/RUL/SOH 定义
- 目标/定义： 任务为SOH forecasting；SOH计算公式、观测窗口、预测跨度及标签来源未说明。没有直接给出EOL/RUL输出。
- 未来信息风险： 需确认合成数据生成是否利用完整退化轨迹、非IID划分是否按车辆/节点隔离，以及融合特征是否包含预测时点之后的信息；摘要没有提供协议。
模型方法
- 流程： 遥测/驾驶/环境/V2G多模态信号 → 模态专属表示与注意力融合 → 分布式联邦训练，不共享原始数据 → SOH预测。基线包括单模态和部分融合方案。
- 部署： 联邦结构旨在保护节点数据，但未看到通信开销、隐私预算/攻击测试、边缘设备成本或真实车队试运行信息。
验证设计
- 划分/泛化： 600辆合成BEV、异质工况和non-IID分布；具体留出方式、车队外部测试、重复次数和真实数据验证未说明。
- 可信度： 信息不足；摘要报告多模态基线对比，但合成数据主导且协议不可见，不能据此宣称现实车队泛化。
指标与结果
- 摘要称在V2G密集场景，相比单模态/部分融合基线，RMSE降低最高15–20%，并称对non-IID有鲁棒性；未提供绝对RMSE、每场景结果和不确定区间。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；优先检查合成训练/测试是否共享生成参数或轨迹、车辆节点是否隔离、以及归一化是否跨集合拟合。
- 复现性： 低至信息不足；摘要披露总体架构和模拟规模，但未确认代码、数据生成器、联邦配置、超参数与种子。
- 局限性： ①数据为合成而非真实车队记录；②缺绝对误差和SOH标签细节；③隐私、通信与跨车队外部验证未在摘要确认。
是否值得跟进
- 结论： 观望。
- 理由与下一步： V2G影响与联邦多模态健康预测具有研究价值，但证据主要来自合成数据。下一步检查全文的数据生成与车辆级划分，要求真实车队留出验证、公开绝对指标及代码后再纳入算法对照。
查看关键词分类依据
- SOH estimation · 标题包含「state of health」
derated multi-modal data fusion for enhanced state of health forecasting in battery electric vehicle fleets incorporating vehicle-to-grid op - SOF / health forecasting · 标题包含「health forecasting」
ulti-modal data fusion for enhanced state of health forecasting in battery electric vehicle fleets incorporating vehicle-to-grid operations - Federated learning · 标题包含「federated」
Federated multi-modal data fusion for enhanced state of health forecasting in battery ele - Transformer / attention · 摘要包含「attention」
ity-specific representations and fused using attention mechanisms to capture cross-domain degradation dependencies. Federated learning - Hybrid model · 标题包含「fusion」
Federated multi-modal data fusion for enhanced state of health forecasting in battery electric vehicle fleets inc - Self-built / experimental dataset · 摘要包含「experimental」
operating conditions is used for evaluation. Experimental results demonstrate that the proposed framework consistently outperforms single