🤖 machine learning

Federated Learning for Early Prediction of EV Charging Demand

Dieser Artikel schlägt ein Framework für federiertes Lernen vor, das eine genaue, datenschutzkonforme Frühvorhersage des Ladebedarfs von Elektrofahrzeugen mit minimalen Sitzungsdaten ermöglicht und dabei eine Leistung erzielt, die mit zentralisierten Modellen vergleichbar ist, während die Daten an den Ladestationen lokalisiert bleiben.

Ursprüngliche Autoren: Vasilis Perifanis, Foteini Nikolaidou, Nikolaos Pavlidis, Panagiotis Thomakos, Andreas Sendros

Veröffentlicht 2026-05-07

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Vasilis Perifanis, Foteini Nikolaidou, Nikolaos Pavlidis, Panagiotis Thomakos, Andreas Sendros

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Die Zukunft erraten, bevor der Film zu Ende ist

Stellen Sie sich vor, Sie betreten ein Kino und setzen sich hin. Sie haben den Film noch nicht gesehen, aber der Kinomanager möchte wissen: "Wie viel Popcorn und Soda wird diese Person bis zum Abspann kaufen?"

Normalerweise muss der Manager warten, bis der Film zu Ende ist, um die Antwort zu kennen. Aber in diesem Papier versuchen die Forscher, ein anderes Problem zu lösen: Können sie die gesamte Energiemenge erraten, die ein Elektrofahrzeug (EV) benötigt, indem sie sich nur die ersten 10 Minuten des Ladevorgangs ansehen?

Dies ist für Betreiber von Ladestationen entscheidend. Wenn sie frühzeitig wissen, dass ein Auto eine massive Energiemenge benötigt, können sie den Energiefluss sofort anpassen, um das gesamte Stromnetz stabil zu halten. Warten sie, bis das Auto fast voll ist, ist es zu spät, um Änderungen vorzunehmen.

Die Herausforderung: Die "Privatsphäre"-Mauer

Um einem Computer beizubringen, diese Vorhersagen zu treffen, benötigt man normalerweise viele Daten. In der Vergangenheit sammelten Unternehmen alle Ladedaten von jeder Station, legten sie in eine riesige zentrale Datenbank und trainierten dort ein Modell.

Aber es gibt ein Problem: Privatsphäre und Logistik.

Privatsphäre: Stationsbetreiber möchten Rohdaten über ihre Kunden nicht immer an eine zentrale Cloud senden.
Logistik: Terabytes an Daten von hunderten Stationen an einen Ort zu bewegen, ist langsam und teuer.

Die Lösung: Der "Geheimrezept"-Tausch (Federated Learning)

Die Autoren schlagen eine clevere Lösung vor, die Federated Learning (Föderiertes Lernen) genannt wird.

Stellen Sie sich eine Gruppe von Köchen vor, die jeweils in ihrer eigenen separaten Küche (einer Ladestation) arbeiten. Alle wollen lernen, wie man die perfekte "Energie-Vorhersage-Suppe" zubereitet.

Der alte Weg: Jeder Koch schickt seine Zutaten und Kochprotokolle an eine zentrale Zentrale. Der Küchenchef mischt alles zusammen, um ein einziges riesiges Rezept zu erstellen.
Der neue Weg (Federated Learning): Der Küchenchef sendet ein "Basisrezept" an jede Küche. Jeder Koch kocht ein wenig mit seinen eigenen lokalen Zutaten. Anstatt ihre Zutaten zurückzuschicken, senden sie nur die Änderungen, die sie am Rezept vorgenommen haben (z. B. "Ich habe eine Prise mehr Salz hinzugefügt"). Der Küchenchef sammelt diese Änderungen, aktualisiert das Hauptrezept und sendet die neue Version zurück.

In diesem Papier sind die "Köche" die einzelnen Ladestationen und das "Rezept" das KI-Modell, das die Energienachfrage vorhersagt. Die Rohdaten verlassen nie die Station; nur die gelernten "Erkenntnisse" reisen.

Was sie getan haben

Die Daten: Sie nutzten echte Daten vom Caltech-Ladepark (54 verschiedene Ladestationen). Sie untersuchten Sitzungen, bei denen sie nur Informationen vom Moment des Anschlusses und den ersten 10 Minuten des Ladevorgangs hatten.
Die Hinweise: Sie lehrten die KI, nach spezifischen Hinweisen zu suchen, die in diesen ersten 10 Minuten verfügbar sind:
- Zeit: Ist es ein Wochenende? Wie spät ist es?
- Nutzerhinweise: Hat der Fahrer gesagt: "Ich muss in 2 Stunden weg" oder "Ich brauche 50 Meilen Reichweite"?
- Frühverhalten: Wie schnell lädt das Auto gerade? Steigt oder fällt die Leistung?
Der Test: Sie trainierten viele verschiedene Arten von KI-Modellen (von einfachen mathematischen Formeln bis hin zu komplexen "neuronalen Netzen", die wie Gehirne denken), um den gesamten benötigten Energiebedarf vorherzusagen. Sie verglichen zwei Szenarien:
- Zentralisiert: Alle Daten an einem Ort.
- Föderiert: Daten bleiben bei den Stationen; nur Modell-Updates werden geteilt.

Die Ergebnisse: Die Magie der Zusammenarbeit

Hier ist das, was sie herausfanden, in einfacher Sprache übersetzt:

Frühes Erraten funktioniert: Selbst mit nur den ersten 10 Minuten Daten konnte die KI den gesamten Energiebedarf mit überraschender Genauigkeit vorhersagen. Es ist wie die Gesamtlänge eines Films zu erraten, indem man sich nur die ersten 10 Minuten ansieht.
Das "Geheimrezept" funktioniert: Die Federated-Learning-Modelle (die Köche, die Rezepte tauschen) schnitten fast genauso gut ab wie die zentralisierten Modelle (die riesige Datenbank).
- Das beste "zentralisierte" Modell (eine komplexe KI namens Transformer) hatte eine geringe Fehlerquote.
- Das beste "föderierte" Modell (derselbe Transformer) hatte eine leicht höhere Fehlerquote, war aber nah genug dran, um in der realen Welt nützlich zu sein.
Nicht alle Modelle sind gleich: Einige einfache Modelle (wie grundlegende mathematische Formeln) hatten Schwierigkeiten, wenn die Daten über die Stationen verteilt waren. Die komplexeren KI-Modelle (wie der Transformer und MLP) waren jedoch sehr gut darin, die Unterschiede zwischen den Stationen zu bewältigen und lernten effektiv, ohne die Daten aller zu sehen.
Effizienz: Die komplexen Modelle waren etwas schwerer (benötigten mehr Computerspeicher), aber die einfacheren Modelle waren sehr leicht. Dies bedeutet, dass Betreiber ein Modell wählen können, das zu ihrer Hardware passt, sei es ein leistungsfähiger Server oder ein kleines Gerät direkt am Ladegerät.

Das Fazit

Das Papier beweist, dass man nicht die privaten Daten aller stehlen muss, um ein intelligentes System für Elektrofahrzeuge zu bauen. Durch den Einsatz von Federated Learning können Ladestationen zusammenarbeiten, um eine intelligente "Glaskugel" zu bauen, die den Energiebedarf früh im Ladevorgang vorhersagt. Dies hält die Daten privat, spart Bandbreite und liefert den Betreibern dennoch die genauen Informationen, die sie benötigen, um das Netz effizient zu verwalten.

Kurz gesagt: Sie zeigten, dass eine Gruppe von Fremden lernen kann, gemeinsam die Zukunft vorherzusagen, ohne sich jemals ihre privaten Notizbücher zu zeigen.

Technische Zusammenfassung: Federated Learning zur frühzeitigen Vorhersage der Ladeleistung von Elektrofahrzeugen

Problemdefinition
Die Arbeit adressiert die Herausforderung, den gesamten Energiebedarf einer Ladesitzung eines Elektrofahrzeugs (EV) so früh wie möglich vorherzusagen. In depotbasierten Umgebungen müssen operative Entscheidungen bezüglich Lastverteilung, Priorisierung und Leistungszuweisung oft kurz nach dem Einstecken des Fahrzeugs, noch vor Abschluss der Sitzung, getroffen werden. Traditionelle Vorhersagemethoden stützen sich häufig auf Daten, die erst nach Sitzungsende verfügbar sind, oder erfordern eine zentralisierte Datenaggregation, was Datenschutz- und Governance-Bedenken aufwirft. Das hier formulierte spezifische Problem ist eine überwachte Regressionsaufgabe: Gegeben der Einsteckkontext und Messungen aus einem ersten Beobachtungsfenster (die ersten 10 Minuten des Ladens), ist die gesamte von der Sitzung gelieferte Energie ( $E_{tot}$ ) vorherzusagen.

Methodik
Die Autoren konstruieren einen Datensatz auf Sitzungslevel unter Verwendung des Adaptive Charging Network (ACN)-Frameworks, wobei sie sich auf ein einzelnes Betriebsdepot (Caltech) mit 54 Ladestationen konzentrieren.

Feature-Engineering: Der Eingabevektor kombiniert statische Sitzungs-Metadaten (z. B. Zeitstempel der Verbindung, vom Benutzer angeforderte Energie, Abfahrtszeit) mit dynamischen Merkmalen, die aus den ersten 10 Minuten des Ladens extrahiert wurden. Zu diesen dynamischen Merkmalen gehören Zusammenfassungsstatistiken (Mittelwert, Maximum, Minimum, Standardabweichung, letzter Wert) sowie lineare Trendkoeffizienten für den Ladestrom und das Pilot-Signal. Zusätzlich werden Interaktionsmerkmale wie das Auslastungsverhältnis (Strom vs. Pilot-Kapazität) und eine angenäherte Energieabschätzung für das Frühfenster (via Trapezintegration) abgeleitet.
Federated Learning (FL)-Setup: Die Studie verwendet ein intra-depot FL-Setup, bei dem jede Ladestation als unabhängiger Client fungiert. Die Rohdaten verbleiben lokal an jeder Station; nur Modell-Updates werden mit einem zentralen Server unter Verwendung des FedAvg-Algorithmus ausgetauscht. Dieses Setup modelliert ein realistisches Szenario, in dem Daten über Stationen innerhalb eines einzelnen Depots verteilt sind.
Datenheterogenität: Die Autoren analysieren die statistische Heterogenität über die 54 Stations-Clients hinweg unter Verwendung der Jensen–Shannon (JS)-Divergenz. Sie stellen die Datenverteilung als „leicht nicht-IID" fest, wobei die meisten Stationen eine moderate Divergenz aufweisen, obwohl einige Stationen mit kleinen Stichproben als Ausreißer fungieren.
Modellfamilien: Die Studie bewertet eine diverse Reihe von Modellen sowohl unter zentralisierten als auch unter federierten Bedingungen:
- Baselines: Mittelwert-only- und Gaußsche Dummy-Prädiktoren.
- Maschinelles Lernen: Lineare Regression (LR) und XGBoost (XGB).
- Neuronale Netze: Multi-Layer Perceptron (MLP), 1D-Convolutional Neural Network (CNN), Gated Recurrent Unit (GRU) und ein Tabular Transformer.

Hauptbeiträge

Problemformulierung: Die Arbeit definiert ein Regressionsproblem für die frühe Sitzung, bei dem die insgesamt gelieferte Energie ausschließlich unter Verwendung des Einsteckkontexts und des Verhaltens der ersten 10 Minuten der Sitzung vorhergesagt wird, wodurch eine Informationsleckage aus späteren Phasen vermieden wird.
Datensatzkonstruktion: Ein realistischer Datensatz auf Sitzungslevel wurde durch die Integration von ACN-Metadaten mit der Ladedynamik des Frühfensters erstellt, wodurch eine kompakte tabellarische Darstellung geschaffen wurde, die für den Einsatz am Edge geeignet ist.
Federierte Evaluation: Die Arbeit bewertet das zentrale Training gegenüber einer auf Stationen partitionierten FL über mehrere Modellfamilien hinweg. Sie zeigt, dass datenschutzverbesserndes verteiltes Lernen zentrale Leistungslevel erreichen kann, während die Datenlokalität gewahrt bleibt.

Ergebnisse

Zentralisierte Leistung: Im zentralisierten Setting erreichte XGBoost die höchste Genauigkeit (MAE: 3,36 kWh, RMSE: 4,84 kWh). Unter den neuronalen Netzen schnitt der Transformer am besten ab (MAE: 3,55 kWh) und übertraf lineare Modelle signifikant (LR MAE: 4,33 kWh), was darauf hindeutet, dass die Beziehung zwischen Deskriptoren der frühen Sitzung und der Gesamtenergie nicht-linear ist.
Federierte Leistung: Federierte Modelle konvergierten im Allgemeinen zu Leistungsleveln, die ihren zentralisierten Gegenstücken nahe kamen.
- Neuronale Modelle: Der Transformer (MAE: 3,69 kWh) und der MLP (MAE: 3,79 kWh) zeigten die geringste Verschlechterung im Vergleich zum zentralisierten Training. Sie konvergierten zudem relativ schnell (rund 160–223 Kommunikationsrunden).
- Baum-/Lineare Modelle: XGBoost und Lineare Regression schnitten im federierten Setting schlechter ab als ihre zentralisierten Versionen und benötigten mehr Kommunikationsrunden zur Konvergenz (XGB hatte innerhalb von 400 Runden noch nicht vollständig konvergiert).
- Stabilität: Validierungs- und Testkurven blieben eng beieinander, was auf eine stabile Optimierung ohne signifikante Überanpassung über die Runden hinweg hindeutet.
Ressourceneffizienz: Es wurde ein Trade-off zwischen Genauigkeit und Ressourcennutzung beobachtet. Während der Transformer die beste Genauigkeit bot, hatte er die größte Modellgröße (2,33 MB) und den höchsten Speicherbedarf. MLP und GRU boten einen ausgewogenen Kompromiss mit wettbewerbsfähiger Genauigkeit und kleinerem Footprint, was sie für ressourcenbeschränkte Edge-Hardware geeignet macht.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass zuverlässige Schätzungen des EV-Ladebedarfs früh in einer Sitzung unter Verwendung minimaler Daten (Einsteckkontext + 10 Minuten Verhalten) gewonnen werden können. Sie vertritt die These, dass Federated Learning einen praktischen Weg für skalierbare, datenschutzbewusste Analysen in EV-Ladenetzwerken bietet. Die Studie kommt zu dem Schluss, dass zwar zentralisiertes Training die höchste theoretische Leistung liefert, FL jedoch verteilten Infrastrukturen ermöglicht, vergleichbare Vorhersagegenauigkeit zu erreichen, ohne Rohdaten zu übertragen, und somit datenschutzkonforme Operationen unterstützt. Die Autoren schlagen vor, dass dieser Ansatz besonders für Edge-orientierte Bereitstellungen geeignet ist, bei denen leichte Modelle (wie MLP oder GRU) die Vorhersagequalität mit der Einsatzfähigkeit in Einklang bringen können. Als zukünftige Arbeiten wird die Erweiterung auf depotübergreifende Settings und die Integration komplementärer Signale wie Photovoltaik-Produktion oder Vorhersagen lokaler Speicher identifiziert.