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

本研究利用生成式对抗网络，学习电动汽车充电过程的分布规律，为电网运营商应对交通运输领域向低碳化方向的转型提供一种新型的数据仿真方法.

Aug, 2021

本文提出了一个名为 Master 的框架，它采用深度强化学习方法，以智能化的方式推荐公共可用的电动汽车充电站，并联合考虑各种长期时空因素，包括充电基础设施、未来潜在的充电竞争等等。经过广泛的实验评估，Master 相对于九个基准方法具有最佳的综合性能。

Feb, 2021

通过使用多尺度时空增强模型（MSTEM），本研究在电动汽车充电站（EVCS）的精确负载预测方面提出了一种解决方案，该模型通过多尺度图神经网络以及回归学习组件和残差融合机制的整合，能够准确捕捉电动汽车充电行为的非线性、不同站点之间的空间相互作用以及使用模式的复杂时间变化，并在实际数据集上验证了其优越性。

May, 2024

本文提出了一个多视图学习框架，使用了 CCA 模型对候选站点进行需求预测，并使用混合填充和覆盖优化框架来解决服务提供商和电动汽车用户之间的竞争关系，通过交替调用背包和集合覆盖算法来解决这些问题，该模型制定的方案使用真实世界数据进行了评估。

Apr, 2016

预测电动汽车（EV）充电事件对于负载调度和能源管理至关重要，本研究使用历史智能电表数据开发了一种家庭充电预测方法，借鉴非侵入式负载监测（NILM）的概念，通过基于自注意力机制的变压器模型，提供了未来 EV 充电事件的预测信息，本方法在一分钟间隔提供高达 96.81％的准确性，适用于网格运营商的实际需求。

Mar, 2024

使用深度强化学习（特别是深度 Q 网络）确定户用电动汽车的成本减少充电策略，该策略可为终端用户节约超过 20% 的电费开支。

Oct, 2023

本文针对电动汽车普及带来的电力网承载压力问题，提出了一种面向大规模网络化电动车充电站的预定管理程序，运用数据驱动的优化框架，结合深度学习和近似算法技术，实现电动车用户总体福利最大化，有效提高电网稳定性和效率，取得了比两种典型调度算法更好的效果，为进一步探索奠定了基础。

May, 2023

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

本研究开发了一种新的微聚类深度神经网络（MCDNN）算法，通过学习电动汽车行程和充电数据来预测充电事件，为电力负荷聚合器和电力管理者提供充电站和电力容量的有效分配。数值发现表明，所提出的 MCDNN 在预测充电事件方面比支持向量机、k 最近邻、决策树和其他基于神经网络的模型更有效。

Jul, 2023