🤖 machine learning

Federated Learning for Early Prediction of EV Charging Demand

Este artículo propone un marco de aprendizaje federado que permite la predicción temprana precisa y que preserva la privacidad de la demanda de carga de vehículos eléctricos utilizando datos mínimos de sesiones, logrando un rendimiento comparable al de los modelos centralizados mientras mantiene los datos localizados en los depósitos de carga.

Autores originales: Vasilis Perifanis, Foteini Nikolaidou, Nikolaos Pavlidis, Panagiotis Thomakos, Andreas Sendros

Publicado 2026-05-07

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Vasilis Perifanis, Foteini Nikolaidou, Nikolaos Pavlidis, Panagiotis Thomakos, Andreas Sendros

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El Panorama General: Adivinar el Futuro Antes de que Termine la Película

Imagina que entras a un cine y te sientas. Aún no has visto la película, pero el gerente del cine quiere saber: "¿Cuántas palomitas y refrescos comprará esta persona para cuando pasen los créditos?"

Por lo general, el gerente tiene que esperar a que termine la película para conocer la respuesta. Pero en este artículo, los investigadores están intentando resolver un problema diferente: ¿Pueden adivinar la cantidad total de energía que necesitará un Vehículo Eléctrico (VE) solo mirando los primeros 10 minutos de carga?

Esto es crucial para los operadores de estaciones de carga. Si saben desde el principio que un coche necesita una cantidad masiva de energía, pueden ajustar el flujo de energía inmediatamente para mantener estable toda la red. Si esperan hasta que el coche esté casi lleno, es demasiado tarde para hacer cambios.

El Desafío: El Muro de la "Privacidad"

Para enseñar a una computadora a hacer estas predicciones, normalmente se necesitan muchos datos. En el pasado, las empresas reunían todos los datos de carga de cada estación, los ponían en una sola base de datos central gigante y entrenaban un modelo allí.

Pero hay un problema: Privacidad y Logística.

Privacidad: Los operadores de las estaciones no siempre quieren enviar datos crudos sobre sus clientes a una nube central.
Logística: Mover terabytes de datos desde cientos de estaciones a un solo lugar es lento y costoso.

La Solución: El Intercambio de la "Receta Secreta" (Aprendizaje Federado)

Los autores proponen una solución ingeniosa llamada Aprendizaje Federado.

Imagina un grupo de chefs, cada uno trabajando en su propia cocina separada (una estación de carga). Todos quieren aprender a hacer la "Sopa Perfecta de Predicción de Energía".

La Vieja Forma: Cada chef envía sus ingredientes y registros de cocina a una sede central. El chef principal los mezcla todos para crear una sola receta gigante.
La Nueva Forma (Aprendizaje Federado): El chef principal envía una "receta base" a cada cocina. Cada chef cocina un poco usando sus propios ingredientes locales. En lugar de enviar sus ingredientes de vuelta, solo envían los cambios que hicieron a la receta (por ejemplo: "Añadí una pizca más de sal"). El chef principal recopila estos cambios, actualiza la receta maestra y envía la nueva versión de vuelta.

En este artículo, los "chefs" son las estaciones de carga individuales, y la "receta" es el modelo de IA que predice la demanda de energía. Los datos crudos nunca salen de la estación; solo viajan las "ideas" aprendidas.

Lo Que Hicieron

Los Datos: Utilizaron datos reales del depósito de carga de Caltech (54 estaciones de carga diferentes). Analizaron sesiones donde solo tenían información desde el momento en que el coche se conectó y los primeros 10 minutos de carga.
Las Pistas: Enseñaron a la IA a buscar pistas específicas disponibles en esos primeros 10 minutos:
- Tiempo: ¿Es fin de semana? ¿Qué hora del día es?
- Indicios del Usuario: ¿El conductor dijo: "Necesito irme en 2 horas" o "Necesito 50 millas de autonomía"?
- Comportamiento Temprano: ¿Qué tan rápido se está cargando el coche ahora mismo? ¿La potencia está subiendo o bajando?
La Prueba: Entrenaron muchos tipos diferentes de modelos de IA (desde fórmulas matemáticas simples hasta complejas "redes neuronales" que piensan como cerebros) para predecir la energía total necesaria. Compararon dos escenarios:
- Centralizado: Todos los datos en un solo lugar.
- Federado: Los datos permanecen en las estaciones; solo se comparten las actualizaciones del modelo.

Los Resultados: La Magia de la Colaboración

Esto es lo que encontraron, traducido a un lenguaje sencillo:

Las Predicciones Tempranas Funcionan: Incluso con solo los primeros 10 minutos de datos, la IA pudo predecir la demanda total de energía con una precisión sorprendente. Es como adivinar la duración total de una película solo viendo los primeros 10 minutos.
La "Receta Secreta" Funciona: Los modelos de Aprendizaje Federado (los chefs intercambiando recetas) funcionaron casi tan bien como los modelos Centralizados (la base de datos gigante).
- El mejor modelo "Centralizado" (una IA compleja llamada Transformer) tuvo una tasa de error pequeña.
- El mejor modelo "Federado" (el mismo Transformer) tuvo una tasa de error ligeramente más alta, pero fue lo suficientemente cercana para ser útil en el mundo real.
No Todos los Modelos Son Iguales: Algunos modelos simples (como fórmulas matemáticas básicas) tuvieron dificultades cuando los datos se dividieron entre las estaciones. Sin embargo, los modelos de IA más complejos (como el Transformer y MLP) fueron muy buenos manejando las diferencias entre estaciones y aún aprendieron eficazmente sin ver los datos de todos.
Eficiencia: Los modelos complejos fueron un poco más pesados (ocuparon más memoria de computadora), pero los modelos más simples fueron muy ligeros. Esto significa que los operadores pueden elegir un modelo que se adapte a su hardware, ya sea un servidor potente o un dispositivo pequeño en el propio cargador.

La Conclusión

El artículo demuestra que no necesitas robar los datos privados de todos para construir un sistema inteligente para vehículos eléctricos. Mediante el uso del Aprendizaje Federado, las estaciones de carga pueden colaborar para construir una "bola de cristal" inteligente que prediga las necesidades de energía al inicio de la sesión de carga. Esto mantiene los datos privados, ahorra ancho de banda y sigue proporcionando a los operadores la información precisa que necesitan para gestionar la red de manera eficiente.

En resumen: Demostraron que un grupo de extraños puede aprender a predecir el futuro juntos sin nunca mostrarse sus cuadernos privados.

Resumen Técnico: Aprendizaje Federado para la Predicción Temprana de la Demanda de Carga de Vehículos Eléctricos

Definición del Problema
El artículo aborda el desafío de predecir la demanda total de energía de una sesión de carga de un vehículo eléctrico (VE) lo antes posible. En entornos basados en depósitos, las decisiones operativas relacionadas con el equilibrio de carga, la priorización y la asignación de energía a menudo deben tomarse poco después de que un vehículo se conecta, antes de que finalice la sesión. Los métodos de predicción tradicionales suelen depender de datos disponibles solo después de que termina una sesión o requieren una agregación centralizada de datos, lo que plantea preocupaciones sobre la privacidad y la gobernanza. El problema específico formulado aquí es una tarea de regresión supervisada: dado el contexto de conexión y las mediciones de una ventana de observación inicial (los primeros 10 minutos de carga), predecir la energía total ( $E_{tot}$ ) entregada por la sesión.

Metodología
Los autores construyen un conjunto de datos a nivel de sesión utilizando el marco de la Red de Carga Adaptativa (ACN), centrándose en un único depósito operativo (Caltech) con 54 estaciones de carga.

Ingeniería de Características: El vector de entrada combina metadatos estáticos de la sesión (por ejemplo, marca de tiempo de conexión, energía solicitada por el usuario, hora de salida) con características dinámicas extraídas de los primeros 10 minutos de carga. Estas características dinámicas incluyen estadísticas de resumen (media, máximo, mínimo, desviación estándar, último valor) y coeficientes de tendencia lineal para la corriente de carga y la señal piloto. Además, se derivan características de interacción como la relación de utilización (corriente frente a capacidad piloto) y una estimación aproximada de energía de la ventana temprana (mediante integración trapezoidal).
Configuración de Aprendizaje Federado (FL): El estudio emplea una configuración de FL intra-depósito donde cada estación de carga actúa como un cliente independiente. Los datos crudos permanecen locales en cada estación; solo se intercambian actualizaciones del modelo con un servidor central utilizando el algoritmo FedAvg. Esta configuración modela un escenario realista donde los datos están distribuidos entre las estaciones dentro de un único depósito.
Heterogeneidad de Datos: Los autores analizan la heterogeneidad estadística entre los 54 clientes de estación utilizando la divergencia de Jensen–Shannon (JS). Encuentran que la distribución de los datos es "ligeramente no IID", con la mayoría de las estaciones mostrando una divergencia moderada, aunque algunas estaciones con muestras pequeñas actúan como valores atípicos.
Familias de Modelos: El estudio evalúa un conjunto diverso de modelos bajo configuraciones tanto centralizadas como federadas:
- Líneas Base: Predictores dummy de solo media y gaussianos.
- Aprendizaje Automático: Regresión Lineal (RL) y XGBoost (XGB).
- Redes Neuronales: Perceptrón Multicapa (MLP), Red Neuronal Convolucional 1D (CNN), Unidad Recurrente Con Puertas (GRU) y un Transformador Tabular.

Contribuciones Clave

Formulación del Problema: El trabajo define un problema de regresión de sesión temprana donde la energía total entregada se predice utilizando únicamente el contexto de conexión y los primeros 10 minutos de comportamiento de la sesión, evitando la filtración de información de etapas posteriores.
Construcción del Conjunto de Datos: Se construye un conjunto de datos realista a nivel de sesión integrando metadatos de ACN con la dinámica de carga de la ventana temprana, creando una representación tabular compacta adecuada para el despliegue en el borde.
Evaluación Federada: El artículo evalúa el entrenamiento centralizado frente a FL particionado por estación a través de múltiples familias de modelos. Demuestra que el aprendizaje distribuido con mejora de la privacidad puede acercarse a los niveles de rendimiento centralizado manteniendo la localidad de los datos.

Resultados

Rendimiento Centralizado: En la configuración centralizada, XGBoost logró la mayor precisión (MAE: 3.36 kWh, RMSE: 4.84 kWh). Entre las redes neuronales, el Transformador obtuvo el mejor resultado (MAE: 3.55 kWh), superando significativamente a los modelos lineales (RL MAE: 4.33 kWh), lo que indica que la relación entre los descriptores de sesión temprana y la energía total es no lineal.
Rendimiento Federado: Los modelos federados convergieron generalmente a niveles de rendimiento cercanos a sus contrapartes centralizadas.
- Modelos Neuronales: El Transformador (MAE: 3.69 kWh) y el MLP (MAE: 3.79 kWh) mostraron la menor degradación en relación con el entrenamiento centralizado. También convergieron relativamente rápido (alrededor de 160–223 rondas de comunicación).
- Modelos de Árboles/Lineales: XGBoost y la Regresión Lineal tuvieron un rendimiento peor en la configuración federada en comparación con sus versiones centralizadas y requirieron más rondas de comunicación para converger (XGB no había convergido completamente dentro de las 400 rondas).
- Estabilidad: Las curvas de validación y prueba permanecieron estrechamente alineadas, lo que sugiere una optimización estable sin sobreajuste significativo a lo largo de las rondas.
Eficiencia de Recursos: Se observó una compensación entre la precisión y el uso de recursos. Aunque el Transformador ofreció la mejor precisión, tenía el tamaño de modelo más grande (2.33 MB) y el mayor uso de memoria. El MLP y la GRU ofrecieron un compromiso equilibrado con precisión competitiva y huellas más pequeñas, lo que los hace adecuados para hardware de borde con recursos limitados.

Significado y Afirmaciones
El artículo afirma que se pueden obtener estimaciones fiables de la demanda de carga de VE al inicio de una sesión utilizando datos mínimos (contexto de conexión + 10 minutos de comportamiento). Postula que el Aprendizaje Federado proporciona una vía práctica para el análisis escalable y consciente de la privacidad en las redes de carga de VE. El estudio concluye que, aunque el entrenamiento centralizado produce el rendimiento teórico más alto, el FL permite que las infraestructuras distribuidas logren una precisión predictiva comparable sin transmitir datos crudos, apoyando así operaciones que preservan la privacidad. Los autores sugieren que este enfoque es particularmente viable para despliegues orientados al borde, donde modelos ligeros (como MLP o GRU) pueden equilibrar la calidad predictiva con la capacidad de implementación. Se identifica como trabajo futuro la extensión de esto a configuraciones inter-depósito y la integración de señales complementarias como la producción fotovoltaica o pronósticos de almacenamiento local.