O Doutorando do Curso de Doutoramento em Tecnologia Informática Aplicada da Faculdade de Ciências Aplicadas da Universidade Politécnica de Macau (FCA-UPM), Wong Kei Long, sob a orientação da Professora Tse Tan Sim e do Professor Adjunto Tang Su Kit, da UPM; e do Professor Giovanni Pau da Universidade de Bolonha (Itália) publicaram, na revista académica internacional «IEEE Transactions on Transportation Electrification» (IEEE Transacções em Electrificação dos Transportes), o artigo académico intitulado “Decentralized Deep Learning Approach for Lithium-Ion Batteries State of Health Forecasting Using Federated Learning” (Abordagem Descentralizada de Aprendizagem Profunda para a Previsão do Estado de Saúde das Baterias de Iões de Lítio Utilizando a Aprendizagem Federada). O artigo tem como objectivo fornecer soluções inteligentes para o desenvolvimento do transporte sustentável e para a promoção do potencial dos veículos eléctricos e das baterias, fornecendo apoio científico para o transporte inteligente.

A «IEEE Transactions on Transportation Electrification» tem como foco o estudo de componentes, tecnologias e normas de interface de rede, conversão de potência e energia, e acionamento relacionados com veículos eléctricos, sendo o factor de impacto recente de 7. A revista é registada nas bases de dados de renome internacional, como o SCIE e o Scopus. No SCIE, a revista encontra-se nos primeiros 10,23% e 13,04%, respectivamente, nas áreas de “Engenharia: Electrónica e Eléctrica” e de “Tecnologia de Transporte”. 

A previsão exacta do estado de saúde das baterias é fundamental para a fiabilidade e a segurança da condução de veículos eléctricos. Os métodos comuns de previsão do estado de saúde das baterias baseados na aprendizagem profunda dependem normalmente de dados centralizados para treinar e aprimorar os modelos de previsão. No entanto, as abordagens centralizadas apresentam desafios em termos de privacidade e escalabilidade dos dados. Neste estudo, propõe-se um método descentralizado de treino de modelos baseado na aprendizagem federada, capaz de prever com precisão a degradação da bateria, salvaguardando a privacidade do condutor, utilizando eficientemente os recursos informáticos a bordo e integrando rapidamente novos dados. Em relação aos cenários de aplicação a veículos eléctricos, o estudo também propõe uma estratégia de selecção de clientes para o treino em aprendizagem federada, capaz de melhorar a precisão do modelo durante o treino descentralizado e obter resultados semelhantes aos do treino centralizado.

O estudo é uma das primeiras explorações nesta área que se debruça sobre questões relacionadas à abordagem descentralizada. Através de previsões precisas e fiáveis sobre a saúde das baterias dos veículos eléctricos, pode-se promover eficazmente o desenvolvimento da indústria dos veículos eléctricos, melhorar a sua vida útil e o seu desempenho, bem como a segurança e a experiência de condução em geral. Além disso, a abordagem descentralizada ajuda a proteger a privacidade dos dados dos utilizadores numa escala maior, reduzindo os riscos associados ao armazenamento centralizado de dados.