电动汽车网络联邦学习能源需求预测

Sep, 2019

电动汽车网络联邦学习能源需求预测

Energy Demand Prediction with Federated Learning for Electric Vehicle Networks

Yuris Mulya Saputra, Dinh Thai Hoang, Diep N. Nguyen, Eryk Dutkiewicz, Markus Dominik Mueck...

TL;DR本文介绍了使用机器学习技术预测电动汽车网络的能量需求的方法，包括一种使用聚类和联邦学习的方法，以减少通信开销和保护数据隐私。实验结果表明，与其他基线机器学习算法相比，我们的方法可以提高能量需求预测的准确性高达 24.63％，并降低 83.4％的通信开销。

Abstract

In this paper, we propose novel approaches using state-of-the-art machine learning techniques, aiming at predicting energy demand for electric vehicle (EV) networks. These methods can learn and find the correlation of complex hidden features to improve the prediction accuracy. First, we propose an energy demand learning (EDL)-based prediction solution in whi

energy demand prediction machine learning electric vehicle networks charging stations data privacy

发现论文，激发创造

面向个性化防御网络攻击的电动车充电需求预测的联邦图学习

电动汽车充电需求预测中减轻网络安全风险对于集体电动汽车充电的安全运营、电网稳定性和成本效益的基础建设至关重要。为了解决数据隐私和网络攻击易受影响的问题以及考虑不同充电站之间的空间相关性，本文提出了一种联邦图学习方法，涉及多个充电站来协同训练更通用的深度学习模型，用于需求预测，同时捕捉不同站点之间的空间相关性，并增强对潜在攻击的鲁棒性。

Apr, 2024

电动汽车能量需求预测学习系统的高效设计

通过跨地理分散的电动汽车充电站和联邦学习的高效变种，结合最新进展的 Transformer 架构，提出了一种通信高效的时间序列预测模型，具有与其他模型相媲美的性能，但在训练过程中消耗更低的数据速率。

Sep, 2023

基于联邦学习的连接电池电动车隐私感知能耗建模

电池电动车（BEV）在现代城市中具有越来越重要的意义，它们有潜力减少空气污染。精确和实时地估计其能量消耗对有效的行程规划和优化车辆系统至关重要，这可以减少驾驶里程焦虑和降低能量成本。随着公众对数据隐私的意识增强，在 BEV 能量消耗建模背景下采用保护数据隐私的方法至关重要。联邦学习（FL）是一种有前景的解决方案，通过允许本地数据保留在设备上，并仅与中央服务器共享模型更新，从而降低了向第三方揭示敏感信息的风险。我们的研究调查了使用 FL 方法如 FedAvg 和 FedPer 来改进 BEV 能量消耗预测同时保持用户隐私的潜力。我们使用来自 10 辆 BEV 在模拟真实驾驶条件下的数据进行实验。我们的结果表明，FedAvg-LSTM 模型在预测结果的 MAE 值上实现了最多 67.84％的降低。此外，我们探索了各种真实世界情景，并讨论了如何在这些情况下使用 FL 方法。我们的研究结果表明，FL 方法可以在保持用户隐私的同时有效提高 BEV 能量消耗预测的性能。

Dec, 2023

面向能量感知的蜂窝网络联合流量预测

通过提出一个可评估机器学习模型可行性的新方法，本文在实际基站测量的基础上，对巴塞罗那地区的联邦学习场景中使用的最先进的深度学习体系结构进行全面评估，发现较大的机器学习模型在性能上略有提升，但在碳足迹方面产生了显著的环境影响，使其在实际应用中不切实际。

Sep, 2023

使用边缘计算和联邦学习进行电力负荷预测

本文提出使用 Edge Computing 和联邦学习的方法，以增加训练深度学习模型所需的数据量和多样性，同时保护隐私，本文成功应用于家庭负荷预测。

Jan, 2022

基于聚类的个性化联邦学习能量感知边缘关联

通过无线网络实现联邦学习，并使用基于深度强化学习的方法来进行边缘关联，以提高精度和降低能耗，进而实现成本效益的个性化联邦学习。

Feb, 2022

基于 Transformer 的联邦学习的智能电网安全短期负荷预测

本文介绍了一种基于 Transformer 的深度学习方法，利用联邦学习进行短期电力负荷预测，模型的性能超过了长短时记忆模型和卷积神经网络，是联邦学习中值得期待的一个替代方案。

Oct, 2023

面向区域电动车充电需求预测的基于物理知识和注意力机制的图学习方法

该论文提出了一种名为 PAG 的新方法，通过图形和时间注意机制实现特征提取，并在模型预训练阶段使用物理知识引导元学习，以应对训练准确且可解释的预测模型的新挑战，从而实现电动汽车充电需求的准确预测和适应于价格波动引起的充电需求的变化的能力。

Sep, 2023

基于流数据的能效联合边缘学习：一种 Lyapunov 优化方法

通过动态调度和资源分配算法解决异构数据和时间变化目标函数下，在长期能量限制条件下，流式数据随机生成和资源可用性的固有随机性，并通过仿真结果验证了所提出方案相对于基准方案的学习性能和能效的提高。

May, 2024

智能电网的联邦学习框架：在协作学习中保障功率跟踪的安全性

使用联邦学习框架进行大数据分析技术在智能电网中的应用，保证数据安全和隐私保护，提高能源利用效率。

Mar, 2021