🤖 machine learning

Federated Learning for Early Prediction of EV Charging Demand

Questo articolo propone un framework di apprendimento federato che consente una previsione precoce, accurata e rispettosa della privacy della domanda di ricarica dei veicoli elettrici utilizzando dati di sessione minimi, raggiungendo prestazioni comparabili a quelle dei modelli centralizzati mantenendo i dati localizzati nei depositi di ricarica.

Autori originali: Vasilis Perifanis, Foteini Nikolaidou, Nikolaos Pavlidis, Panagiotis Thomakos, Andreas Sendros

Pubblicato 2026-05-07

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Vasilis Perifanis, Foteini Nikolaidou, Nikolaos Pavlidis, Panagiotis Thomakos, Andreas Sendros

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il Quadro Generale: Indovinare il Futuro Prima che Finisca il Film

Immagina di entrare in una sala cinematografica e sederti. Non hai ancora visto il film, ma il gestore del cinema vuole sapere: "Quanta popcorn e bibita comprerà questa persona prima che scorrano i titoli di coda?"

Di solito, il gestore deve aspettare la fine del film per conoscere la risposta. Ma in questo documento, i ricercatori stanno cercando di risolvere un problema diverso: Possono indovinare la quantità totale di energia di cui un Veicolo Elettrico (EV) avrà bisogno guardando solo i primi 10 minuti di ricarica?

Questo è fondamentale per gli operatori delle colonnine di ricarica. Se sanno fin da subito che un'auto necessita di una grande quantità di energia, possono regolare immediatamente il flusso di potenza per mantenere stabile l'intera rete elettrica. Se aspettano che l'auto sia quasi piena, è troppo tardi per apportare modifiche.

La Sfida: Il Muro della "Privacy"

Per insegnare a un computer a fare queste previsioni, solitamente serve una grande quantità di dati. In passato, le aziende raccoglievano tutti i dati di ricarica da ogni stazione, li mettevano in un'unica gigantesca banca dati centrale e addestravano lì un modello.

Ma c'è un problema: Privacy e Logistica.

Privacy: Gli operatori delle stazioni non vogliono sempre inviare i dati grezzi sui loro clienti a un cloud centrale.
Logistica: Spostare terabyte di dati da centinaia di stazioni in un unico luogo è lento e costoso.

La Soluzione: Lo Scambio della "Ricetta Segreta" (Federated Learning)

Gli autori propongono una soluzione intelligente chiamata Federated Learning.

Immagina un gruppo di chef, ognuno che lavora nella propria cucina separata (una stazione di ricarica). Tutti vogliono imparare a preparare la "Zuppa Perfetta della Previsione Energetica".

Vecchio Metodo: Ogni chef invia i propri ingredienti e i registri di cottura alla sede centrale. Lo chef capo li mescola tutti insieme per creare un'unica ricetta gigante.
Nuovo Metodo (Federated Learning): Lo chef capo invia una "ricetta base" a ogni cucina. Ogni chef cuoce un po' usando i propri ingredienti locali. Invece di inviare gli ingredienti indietro, inviano solo le modifiche apportate alla ricetta (ad esempio: "Ho aggiunto un pizzico di sale in più"). Lo chef capo raccoglie queste modifiche, aggiorna la ricetta principale e invia la nuova versione.

In questo documento, gli "chef" sono le singole stazioni di ricarica e la "ricetta" è il modello di intelligenza artificiale che prevede la domanda di energia. I dati grezzi non lasciano mai la stazione; viaggiano solo le "intuizioni" apprese.

Cosa Hanno Fatto

I Dati: Hanno utilizzato dati reali dal deposito di ricarica del Caltech (54 diverse stazioni di ricarica). Hanno analizzato le sessioni in cui disponevano di informazioni solo dal momento in cui l'auto è stata collegata e i primi 10 minuti di ricarica.
Gli Indizi: Hanno insegnato all'IA a cercare indizi specifici disponibili in quei primi 10 minuti:
- Tempo: È un fine settimana? Che ora è?
- Segnali dell'Utente: Il guidatore ha detto: "Devo partire tra 2 ore" o "Ho bisogno di 50 miglia di autonomia"?
- Comportamento Iniziale: Quanto velocemente si sta ricaricando l'auto in questo momento? La potenza sta salendo o scendendo?
Il Test: Hanno addestrato molti tipi diversi di modelli di intelligenza artificiale (dalle semplici formule matematiche alle complesse "reti neurali" che pensano come i cervelli) per prevedere l'energia totale necessaria. Hanno confrontato due scenari:
- Centralizzato: Tutti i dati in un unico luogo.
- Federato: I dati rimangono alle stazioni; vengono condivisi solo gli aggiornamenti del modello.

I Risultati: La Magia della Collaborazione

Ecco cosa hanno scoperto, tradotto in linguaggio semplice:

Le Previsioni Precoci Funzionano: Anche con solo i primi 10 minuti di dati, l'IA poteva prevedere la domanda totale di energia con una precisione sorprendente. È come indovinare la durata totale di un film guardando solo i primi 10 minuti.
La "Ricetta Segreta" Funziona: I modelli di Federated Learning (gli chef che si scambiano le ricette) hanno funzionato quasi quanto i modelli Centralizzati (il gigantesco database).
- Il miglior modello "Centralizzato" (un'IA complessa chiamata Transformer) aveva un tasso di errore basso.
- Il miglior modello "Federato" (lo stesso Transformer) aveva un tasso di errore leggermente più alto, ma era abbastanza vicino per essere utile nel mondo reale.
Non Tutti i Modelli Sono Uguali: Alcuni modelli semplici (come le formule matematiche di base) hanno faticato quando i dati erano suddivisi tra le stazioni. Tuttavia, i modelli di intelligenza artificiale più complessi (come il Transformer e l'MLP) sono stati molto bravi a gestire le differenze tra le stazioni e hanno comunque imparato efficacemente senza vedere i dati di tutti.
Efficienza: I modelli complessi erano un po' più pesanti (richiedevano più memoria del computer), ma i modelli più semplici erano molto leggeri. Questo significa che gli operatori possono scegliere un modello adatto alla loro hardware, sia che si tratti di un potente server o di un piccolo dispositivo sulla colonnina stessa.

La Conclusione

Il documento dimostra che non è necessario rubare i dati privati di tutti per costruire un sistema intelligente per i veicoli elettrici. Utilizzando il Federated Learning, le stazioni di ricarica possono collaborare per costruire una "sfera di cristallo" intelligente che prevede i bisogni energetici all'inizio della sessione di ricarica. Questo mantiene i dati privati, risparmia larghezza di banda e fornisce comunque agli operatori le informazioni accurate di cui hanno bisogno per gestire la rete in modo efficiente.

In sintesi: Hanno dimostrato che un gruppo di sconosciuti può imparare a prevedere il futuro insieme senza mai mostrare agli altri i propri quaderni privati.

Riepilogo Tecnico: Apprendimento Federato per la Previsione Precoce della Domanda di Ricarica dei Veicoli Elettrici

Definizione del Problema
Il lavoro affronta la sfida di prevedere la domanda totale di energia di una sessione di ricarica di un veicolo elettrico (EV) il più presto possibile. Negli ambienti basati su depositi, le decisioni operative riguardanti il bilanciamento del carico, la prioritizzazione e l'allocazione della potenza devono spesso essere prese poco dopo l'inserimento del veicolo, prima della conclusione della sessione. I metodi di previsione tradizionali si basano spesso su dati disponibili solo al termine della sessione o richiedono un'aggregazione centralizzata dei dati, il che solleva preoccupazioni in materia di privacy e governance. Il problema specifico formulato qui è un compito di regressione supervisionata: dato il contesto di inserimento e le misurazioni da una finestra di osservazione iniziale (i primi 10 minuti di ricarica), prevedere l'energia totale ( $E_{tot}$ ) erogata dalla sessione.

Metodologia
Gli autori costruiscono un dataset a livello di sessione utilizzando il framework Adaptive Charging Network (ACN), concentrandosi su un singolo deposito operativo (Caltech) con 54 stazioni di ricarica.

Ingegneria delle Caratteristiche: Il vettore di input combina metadati statici della sessione (ad esempio, timestamp di connessione, energia richiesta dall'utente, orario di partenza) con caratteristiche dinamiche estratte dai primi 10 minuti di ricarica. Queste caratteristiche dinamiche includono statistiche riassuntive (media, massimo, minimo, deviazione standard, ultimo valore) e coefficienti di tendenza lineare per la corrente di ricarica e il segnale pilota. Inoltre, vengono derivate caratteristiche di interazione come il rapporto di utilizzo (corrente rispetto alla capacità del pilota) e una stima approssimativa dell'energia nella finestra iniziale (tramite integrazione trapezoidale).
Configurazione dell'Apprendimento Federato (FL): Lo studio adotta una configurazione FL intra-deposito in cui ogni stazione di ricarica agisce come client indipendente. I dati grezzi rimangono locali presso ogni stazione; solo gli aggiornamenti del modello vengono scambiati con un server centrale utilizzando l'algoritmo FedAvg. Questa configurazione modella uno scenario realistico in cui i dati sono distribuiti tra le stazioni all'interno di un singolo deposito.
Eterogeneità dei Dati: Gli autori analizzano l'eterogeneità statistica tra i 54 client delle stazioni utilizzando la divergenza di Jensen–Shannon (JS). Rilevano che la distribuzione dei dati è "leggermente non IID", con la maggior parte delle stazioni che mostra una divergenza moderata, sebbene alcune stazioni con piccoli campioni agiscano come valori anomali.
Famiglie di Modelli: Lo studio valuta un insieme diversificato di modelli sia in configurazioni centralizzate che federate:
- Baseline: Predittori fittizi basati solo sulla media e su distribuzione Gaussiana.
- Machine Learning: Regressione Lineare (LR) e XGBoost (XGB).
- Reti Neurali: Perceptron Multistrato (MLP), Rete Neurale Convoluzionale 1D (CNN), Unità Ricorrente a Cancello (GRU) e un Transformer Tabulare.

Contributi Chiave

Formulazione del Problema: Il lavoro definisce un problema di regressione a inizio sessione in cui l'energia totale erogata è prevista utilizzando solo il contesto di inserimento e i primi 10 minuti di comportamento della sessione, evitando la fuoriuscita di informazioni dalle fasi successive.
Costruzione del Dataset: Viene costruito un dataset realistico a livello di sessione integrando i metadati ACN con la dinamica di ricarica nella finestra iniziale, creando una rappresentazione tabulare compatta adatta al deployment edge.
Valutazione Federata: Il documento valuta l'addestramento centralizzato rispetto a FL partizionato per stazione attraverso molteplici famiglie di modelli. Dimostra che l'apprendimento distribuito potenziato dalla privacy può avvicinarsi ai livelli di prestazioni centralizzate mantenendo la località dei dati.

Risultati

Prestazioni Centralizzate: Nella configurazione centralizzata, XGBoost ha raggiunto la massima accuratezza (MAE: 3,36 kWh, RMSE: 4,84 kWh). Tra le reti neurali, il Transformer ha ottenuto i migliori risultati (MAE: 3,55 kWh), superando significativamente i modelli lineari (MAE LR: 4,33 kWh), indicando che la relazione tra i descrittori di inizio sessione e l'energia totale è non lineare.
Prestazioni Federate: I modelli federati hanno generalmente converguto verso livelli di prestazioni vicini ai loro corrispettivi centralizzati.
- Modelli Neurali: Il Transformer (MAE: 3,69 kWh) e l'MLP (MAE: 3,79 kWh) hanno mostrato il degrado più basso rispetto all'addestramento centralizzato. Hanno anche converguto relativamente rapidamente (circa 160–223 round di comunicazione).
- Modelli ad Albero/Lineari: XGBoost e la Regressione Lineare hanno ottenuto prestazioni peggiori nella configurazione federata rispetto alle loro versioni centralizzate e hanno richiesto più round di comunicazione per convergere (XGB non aveva ancora completamente converguto entro 400 round).
- Stabilità: Le curve di validazione e test sono rimaste strettamente allineate, suggerendo un'ottimizzazione stabile senza un sovradattamento significativo tra i round.
Efficienza delle Risorse: È stata osservata una compensazione tra accuratezza e utilizzo delle risorse. Sebbene il Transformer offrisse la migliore accuratezza, aveva la dimensione del modello più grande (2,33 MB) e il più alto utilizzo di memoria. MLP e GRU offrivano un compromesso equilibrato con accuratezza competitiva e ingombri ridotti, rendendoli adatti all'hardware edge vincolato dalle risorse.

Significato e Affermazioni
Il documento afferma che stime affidabili della domanda di ricarica degli EV possono essere ottenute all'inizio di una sessione utilizzando dati minimi (contesto di inserimento + 10 minuti di comportamento). Sostiene che l'Apprendimento Federato fornisce una via pratica per analisi scalabili e consapevoli della privacy nelle reti di ricarica degli EV. Lo studio conclude che, sebbene l'addestramento centralizzato produca le prestazioni teoriche più elevate, il FL consente alle infrastrutture distribuite di raggiungere un'accuratezza predittiva comparabile senza trasmettere dati grezzi, sostenendo così operazioni che preservano la privacy. Gli autori suggeriscono che questo approccio è particolarmente praticabile per deployment orientati all'edge, dove modelli leggeri (come MLP o GRU) possono bilanciare la qualità predittiva con la possibilità di deployment. Come lavoro futuro viene identificato l'estensione di questo approccio a configurazioni inter-deposito e l'integrazione di segnali complementari come la produzione fotovoltaica o le previsioni di stoccaggio locale.