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。

Sep, 2019

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

本文探讨了在智能电网等关键基础设施中实现高效运营所需的精确电力负荷预测的问题，提出了基于深度学习模型应用于电力负荷预测问题的最新趋势，并通过实验评估了前馈神经网络、循环神经网络、序列到序列模型和时空卷积神经网络等多种深度学习模型在短期负荷预测方面的性能表现。

Jul, 2019

利用轻量级完全连接的深度神经网络，本研究重点研究了联邦学习在分析智能能源计量器数据方面的应用，以在保护个体计量器数据隐私的同时实现与现有方法相当的负载预测准确性。通过利用联邦学习的框架，我们在每个计量器源和聚合器上实现了与现有方案相当的预测准确性，同时减少了复杂深度学习模型带来的能源和资源消耗，从而使这种方法在资源受限的智能计量系统中得到了广泛的部署。我们提出的轻量级模型能够实现 0.17 的平均负载预测 RMSE，而在 Arduino Uno 平台上进行训练和推断时，模型几乎没有能源开销，只有 50 mWh。

Apr, 2024

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

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

通过使用多个家庭的数据进行迁移学习，我们能够提高单个家庭负载预测的准确性和控制性能，进而降低能源成本并优化光伏系统和电池储存的利用。

Oct, 2023

本文旨在介绍各种深度学习方法以提高能源时间序列预测性能，特别强调希腊能源市场的应用。

Jun, 2023

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

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