用于电动汽车充电需求早期预测的联邦学习
机器学习
2026-05-07 v1 人工智能
摘要
准确预测电动汽车（EV）充电需求对于电网稳定、基础设施规划和实时充电优化至关重要。在这项工作中，我们研究了充电需求早期预测问题，其中仅使用插电时和充电最初几分钟内可用的信息来估计充电会话的总能量。这使得能够在会话进行期间做出可执行的决策，这对于 EV 网络运营商具有直接重要性。我们根据自适应充电网络（Adaptive Charging Network, ACN）构建了一个会话级数据集，将会话元数据与早期窗口充电测量相结合，并提取了捕捉用户意图、时间模式和初始充电行为的表格特征。我们专注于单一运营站点 Caltech，通过站点级客户端划分对站内异构性进行建模，同时在联邦学习（Federated Learning, FL）设置下评估多个模型家族。我们的结果表明，联邦模型可以在将数据保留在站点内部的同时，逼近集中式预测性能，从而在分布式充电基础设施中实现隐私增强的训练。总体而言，我们证明了在会话早期仅需极少数据即可获得可靠的需求估计，并且 FL 为 EV 充电网络的可扩展和隐私感知分析提供了一条实用途径。代码可在 https://github.com/Indigma-Innovations/federated-learning-ev-charging-demand 获取。
引用
@article{arxiv.2605.04993,
title = {Federated Learning for Early Prediction of EV Charging Demand},
author = {Vasilis Perifanis and Foteini Nikolaidou and Nikolaos Pavlidis and Panagiotis Thomakos and Andreas Sendros},
journal= {arXiv preprint arXiv:2605.04993},
year = {2026}
}