🤖 machine learning

Federated Learning for Early Prediction of EV Charging Demand

Cet article propose un cadre d'apprentissage fédéré permettant une prédiction précoce précise et respectueuse de la vie privée de la demande de recharge des véhicules électriques à l'aide de données de session minimales, atteignant des performances comparables à celles des modèles centralisés tout en maintenant les données localisées dans les dépôts de recharge.

Auteurs originaux : Vasilis Perifanis, Foteini Nikolaidou, Nikolaos Pavlidis, Panagiotis Thomakos, Andreas Sendros

Publié 2026-05-07

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Vasilis Perifanis, Foteini Nikolaidou, Nikolaos Pavlidis, Panagiotis Thomakos, Andreas Sendros

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La Vue d'Ensemble : Deviner l'Avenir Avant la Fin du Film

Imaginez que vous entrez dans une salle de cinéma et que vous vous asseyez. Vous n'avez pas encore vu le film, mais le gérant du cinéma veut savoir : « Combien de popcorn et de soda cette personne achètera-t-elle avant la fin des crédits ? »

Habituellement, le gérant doit attendre la fin du film pour connaître la réponse. Mais dans ce document, les chercheurs tentent de résoudre un problème différent : Peuvent-ils deviner la quantité totale d'énergie dont un véhicule électrique (VE) aura besoin en observant seulement les 10 premières minutes de charge ?

Ceci est crucial pour les exploitants de bornes de recharge. S'ils savent tôt qu'une voiture a besoin d'une quantité massive d'énergie, ils peuvent ajuster immédiatement le flux de puissance pour maintenir la stabilité de l'ensemble du réseau. S'ils attendent que la voiture soit presque pleine, il est trop tard pour apporter des modifications.

Le Défi : Le Mur de la « Vie Privée »

Pour enseigner à un ordinateur à faire ces prédictions, vous avez généralement besoin de beaucoup de données. Par le passé, les entreprises collectaient toutes les données de charge de chaque station, les plaçaient dans une gigantesque base de données centrale, et entraînaient un modèle à cet endroit.

Mais il y a un problème : La Vie Privée et la Logistique.

Vie Privée : Les exploitants de stations ne veulent pas toujours envoyer les données brutes concernant leurs clients vers un cloud central.
Logistique : Déplacer des téraoctets de données de centaines de stations vers un seul endroit est lent et coûteux.

La Solution : L'Échange de « Recette Secrète » (Apprentissage Fédéré)

Les auteurs proposent une solution ingénieuse appelée Apprentissage Fédéré.

Imaginez un groupe de chefs, chacun travaillant dans sa propre cuisine séparée (une station de recharge). Ils veulent tous apprendre à préparer la parfaite « Soupe de Prédiction d'Énergie ».

L'Ancienne Façon : Chaque chef envoie ses ingrédients et ses carnets de cuisine au siège central. Le chef exécutif les mélange tous pour créer une seule recette géante.
La Nouvelle Façon (Apprentissage Fédéré) : Le chef exécutif envoie une « recette de base » à chaque cuisine. Chaque chef cuisine un peu en utilisant ses propres ingrédients locaux. Au lieu d'envoyer leurs ingrédients, ils envoient uniquement les modifications apportées à la recette (par exemple : « J'ai ajouté une pincée de sel de plus »). Le chef exécutif collecte ces modifications, met à jour la recette maîtresse, et renvoie la nouvelle version.

Dans ce document, les « chefs » sont les stations de recharge individuelles, et la « recette » est le modèle d'IA qui prédit la demande en énergie. Les données brutes ne quittent jamais la station ; seuls les « enseignements » appris voyagent.

Ce Qu'ils Ont Fait

Les Données : Ils ont utilisé de vraies données du dépôt de recharge du Caltech (54 stations de recharge différentes). Ils ont examiné des sessions où ils ne disposaient d'informations que depuis le moment où la voiture a été branchée et les 10 premières minutes de charge.
Les Indices : Ils ont enseigné à l'IA à chercher des indices spécifiques disponibles durant ces 10 premières minutes :
- Le Temps : Est-ce un week-end ? Quelle heure est-il ?
- Indices Utilisateur : Le conducteur a-t-il dit : « Je dois partir dans 2 heures » ou « J'ai besoin de 50 miles d'autonomie » ?
- Comportement Précoce : À quelle vitesse la voiture charge-t-elle en ce moment ? La puissance augmente-t-elle ou diminue-t-elle ?
Le Test : Ils ont entraîné de nombreux types de modèles d'IA différents (des formules mathématiques simples aux « réseaux de neurones » complexes qui pensent comme des cerveaux) pour prédire l'énergie totale nécessaire. Ils ont comparé deux scénarios :
- Centralisé : Toutes les données au même endroit.
- Fédéré : Les données restent dans les stations ; seules les mises à jour du modèle sont partagées.

Les Résultats : La Magie de la Collaboration

Voici ce qu'ils ont découvert, traduit en langage courant :

Les Prédictions Tôt Fonctionnent : Même avec seulement les 10 premières minutes de données, l'IA pouvait prédire la demande totale en énergie avec une précision surprenante. C'est comme deviner la durée totale d'un film en regardant seulement les 10 premières minutes.
La « Recette Secrète » Fonctionne : Les modèles d'apprentissage fédéré (les chefs échangeant des recettes) ont performé presque aussi bien que les modèles centralisés (la gigantesque base de données).
- Le meilleur modèle « Centralisé » (une IA complexe appelée Transformer) avait un faible taux d'erreur.
- Le meilleur modèle « Fédéré » (le même Transformer) avait un taux d'erreur légèrement plus élevé, mais il était suffisamment proche pour être utile dans le monde réel.
Tous les Modèles Ne Se Valent Pas : Certains modèles simples (comme des formules mathématiques de base) ont eu du mal lorsque les données étaient réparties entre les stations. Cependant, les modèles d'IA plus complexes (comme le Transformer et le MLP) étaient très bons pour gérer les différences entre les stations et ont continué à apprendre efficacement sans voir les données de tout le monde.
Efficacité : Les modèles complexes étaient un peu plus lourds (occupaient plus de mémoire informatique), mais les modèles simples étaient très légers. Cela signifie que les exploitants peuvent choisir un modèle adapté à leur matériel, qu'il s'agisse d'un serveur puissant ou d'un petit appareil intégré à la borne elle-même.

La Conclusion

Le document prouve que vous n'avez pas besoin de voler les données privées de tout le monde pour construire un système intelligent pour les véhicules électriques. En utilisant l'Apprentissage Fédéré, les stations de recharge peuvent collaborer pour construire une « boule de cristal » intelligente qui prédit les besoins en énergie tôt dans la session de charge. Cela maintient les données privées, économise la bande passante et fournit toujours aux exploitants les informations précises dont ils ont besoin pour gérer le réseau efficacement.

En résumé : Ils ont montré qu'un groupe d'inconnus peut apprendre à prédire l'avenir ensemble sans jamais montrer leurs carnets de notes privés les uns aux autres.

Résumé technique : Apprentissage fédéré pour la prédiction précoce de la demande de recharge des véhicules électriques

Définition du problème
L'article aborde le défi de la prédiction de la demande énergétique totale d'une session de recharge de véhicule électrique (VE) le plus tôt possible. Dans les environnements basés sur un dépôt, les décisions opérationnelles concernant l'équilibrage de charge, la priorisation et l'allocation de puissance doivent souvent être prises peu après la connexion du véhicule, avant la fin de la session. Les méthodes de prédiction traditionnelles reposent souvent sur des données disponibles uniquement après la fin d'une session ou nécessitent une agrégation centralisée des données, ce qui soulève des préoccupations en matière de confidentialité et de gouvernance. Le problème spécifique formulé ici est une tâche de régression supervisée : étant donné le contexte de branchement et les mesures d'une fenêtre d'observation initiale (les 10 premières minutes de recharge), prédire l'énergie totale ( $E_{tot}$ ) délivrée par la session.

Méthodologie
Les auteurs construisent un jeu de données au niveau de la session en utilisant le cadre du Réseau de Recharge Adaptative (ACN), en se concentrant sur un seul dépôt opérationnel (Caltech) disposant de 54 bornes de recharge.

Ingénierie des caractéristiques : Le vecteur d'entrée combine les métadonnées statiques de la session (par exemple, l'horodatage de connexion, l'énergie demandée par l'utilisateur, l'heure de départ) avec des caractéristiques dynamiques extraites des 10 premières minutes de recharge. Ces caractéristiques dynamiques incluent des statistiques de résumé (moyenne, maximum, minimum, écart-type, dernière valeur) et des coefficients de tendance linéaire pour le courant de recharge et le signal pilote. De plus, des caractéristiques d'interaction telles que le taux d'utilisation (courant par rapport à la capacité pilote) et une estimation approximative de l'énergie de la fenêtre précoce (via intégration trapézoïdale) sont dérivées.
Configuration de l'apprentissage fédéré (FL) : L'étude emploie un cadre FL intra-dépôt où chaque borne de recharge agit comme un client indépendant. Les données brutes restent locales à chaque station ; seuls les mises à jour du modèle sont échangées avec un serveur central en utilisant l'algorithme FedAvg. Cette configuration modélise un scénario réaliste où les données sont distribuées entre les stations au sein d'un seul dépôt.
Hétérogénéité des données : Les auteurs analysent l'hétérogénéité statistique à travers les 54 clients de station en utilisant la divergence de Jensen–Shannon (JS). Ils constatent que la distribution des données est « faiblement non-IID », la plupart des stations montrant une divergence modérée, bien que quelques stations à faible échantillon agissent comme des valeurs aberrantes.
Familles de modèles : L'étude évalue un ensemble diversifié de modèles dans des contextes centralisés et fédérés :
- Lignes de base : Prédicteurs factices à moyenne uniquement et gaussiens.
- Apprentissage automatique : Régression linéaire (LR) et XGBoost (XGB).
- Réseaux de neurones : Perceptron multicouche (MLP), Réseau de neurones convolutif 1D (CNN), Unité récurrente à portes (GRU) et un Transformer tabulaire.

Contributions clés

Formulation du problème : Le travail définit un problème de régression en début de session où l'énergie totale délivrée est prédite en utilisant uniquement le contexte de branchement et les 10 premières minutes de comportement de la session, évitant ainsi toute fuite d'information provenant des étapes ultérieures.
Construction du jeu de données : Un jeu de données réaliste au niveau de la session est construit en intégrant les métadonnées ACN avec la dynamique de recharge de la fenêtre précoce, créant une représentation tabulaire compacte adaptée au déploiement en périphérie.
Évaluation fédérée : L'article évalue l'entraînement centralisé par rapport au FL partitionné par station à travers plusieurs familles de modèles. Il démontre que l'apprentissage distribué améliorant la confidentialité peut approcher les niveaux de performance centralisés tout en maintenant la localité des données.

Résultats

Performance centralisée : Dans le contexte centralisé, XGBoost a atteint la plus grande précision (MAE : 3,36 kWh, RMSE : 4,84 kWh). Parmi les réseaux de neurones, le Transformer a obtenu les meilleurs résultats (MAE : 3,55 kWh), surpassant significativement les modèles linéaires (MAE LR : 4,33 kWh), indiquant que la relation entre les descripteurs de début de session et l'énergie totale est non linéaire.
Performance fédérée : Les modèles fédérés ont généralement convergé vers des niveaux de performance proches de leurs homologues centralisés.
- Modèles neuronaux : Le Transformer (MAE : 3,69 kWh) et le MLP (MAE : 3,79 kWh) ont montré la plus faible dégradation par rapport à l'entraînement centralisé. Ils ont également convergé relativement rapidement (environ 160–223 rounds de communication).
- Modèles arborescents/linéaires : XGBoost et la régression linéaire ont moins bien performé dans le contexte fédéré par rapport à leurs versions centralisées et ont nécessité plus de rounds de communication pour converger (XGB n'avait pas entièrement convergé dans les 400 rounds).
- Stabilité : Les courbes de validation et de test sont restées étroitement alignées, suggérant une optimisation stable sans surajustement significatif au fil des rounds.
Efficacité des ressources : Un compromis a été observé entre la précision et l'utilisation des ressources. Bien que le Transformer offre la meilleure précision, il présente la plus grande taille de modèle (2,33 Mo) et la plus forte utilisation de la mémoire. Le MLP et le GRU offrent un compromis équilibré avec une précision compétitive et une empreinte plus réduite, les rendant adaptés au matériel en périphérie contraint en ressources.

Importance et affirmations
L'article affirme que des estimations fiables de la demande de recharge des VE peuvent être obtenues tôt dans une session en utilisant un minimum de données (contexte de branchement + 10 minutes de comportement). Il postule que l'apprentissage fédéré offre une voie pratique pour une analytique évolutive et respectueuse de la vie privée dans les réseaux de recharge de VE. L'étude conclut que, bien que l'entraînement centralisé produise les performances théoriques les plus élevées, le FL permet aux infrastructures distribuées d'atteindre une précision prédictive comparable sans transmettre de données brutes, soutenant ainsi des opérations préservant la confidentialité. Les auteurs suggèrent que cette approche est particulièrement viable pour les déploiements orientés périphérie où des modèles légers (comme le MLP ou le GRU) peuvent équilibrer la qualité prédictive avec la déployabilité. Les travaux futurs sont identifiés comme l'extension de ceci à des contextes inter-dépôts et l'intégration de signaux complémentaires tels que la production photovoltaïque ou les prévisions de stockage local.