🤖 machine learning

Federated Learning for Early Prediction of EV Charging Demand

본 논문은 최소한의 세션 데이터를 활용하여 전기차 충전 수요를 정확하고 프라이버시를 보호하며 조기에 예측할 수 있는 연방 학습 프레임워크를 제안하며, 이는 데이터를 충전 기지국에 국한된 상태로 유지하면서도 중앙 집중식 모델과 비교 가능한 성능을 달성합니다.

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

게시일 2026-05-07

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

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

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 쉬운 언어와 창의적인 비유를 사용하여 설명합니다.

큰 그림: 영화가 끝날 미래를 미리 추측하기

영화관에 들어가 앉아 있다고 상상해 보세요. 아직 영화를 보지 않았지만, 극장 매니저는 알고 싶어 합니다: "크레딧이 올라갈 때까지 이 사람이 팝콘과 탄산음료를 얼마나 살까요?"

보통 매니저는 영화가 끝날 때까지 답을 알 수 없습니다. 하지만 이 논문에서 연구자들은 다른 문제를 해결하려 합니다: "전기차 (EV) 가 충전하는 첫 10 분만 보고도 필요한 총 에너지량을 추측할 수 있을까요?"

이는 충전소 운영자에게 매우 중요합니다. 만약 초기에 차량이 막대한 에너지를 필요로 한다는 것을 일찍 안다면, 전체 전력망의 안정성을 유지하기 위해 전력 흐름을 즉시 조정할 수 있습니다. 차량이 거의 가득 찰 때까지 기다리면 변경을 가하기에는 너무 늦습니다.

도전 과제: '프라이버시' 벽

컴퓨터에게 이러한 추측을 가르치려면 보통 많은 데이터가 필요합니다. 과거에는 기업들이 모든 충전소의 데이터를 수집하여 하나의 거대한 중앙 데이터베이스에 넣고 그곳에서 모델을 훈련시켰습니다.

하지만 문제가 하나 있습니다: 프라이버시와 물류.

프라이버시: 충전소 운영자들은 종종 고객에 대한 원시 데이터를 중앙 클라우드로 보내고 싶어 하지 않습니다.
물류: 수백 개의 충전소에서 한 곳으로 테라바이트 단위의 데이터를 이동시키는 것은 느리고 비용이 많이 듭니다.

해결책: '비밀 레시피' 교환 (연방 학습)

저자들은 연방 학습 (Federated Learning) 이라는 교묘한 해결책을 제안합니다.

각자 별도의 주방 (충전소) 에서 일하는 요리사들의 그룹을 상상해 보세요. 그들은 모두 완벽한 '에너지 예측 수프'를 만드는 법을 배우고 싶어 합니다.

옛 방식: 모든 요리사가 재료와 조리 일지를 본사 중앙으로 보냅니다. 수석 요리사는 이것들을 모두 섞어 하나의 거대한 레시피를 만듭니다.
새 방식 (연방 학습): 수석 요리사는 모든 주방에 '기본 레시피'를 보냅니다. 각 요리사는 자신의 지역 재료를 사용하여 조금씩 조리합니다. 재료를 다시 보내는 대신, 레시피에 가한 변경 사항만 보냅니다 (예: "소금을 조금 더 넣었습니다"). 수석 요리사는 이러한 변경 사항을 수집하여 마스터 레시피를 업데이트한 후 새로운 버전을 다시 배포합니다.

이 논문에서 '요리사'는 개별 충전소이고, '레시피'는 에너지 수요를 예측하는 AI 모델입니다. 원시 데이터는 충전소를 떠나지 않으며, 오직 학습된 '통찰력'만 이동합니다.

그들이 한 일

데이터: 그들은 Caltech 충전 기지 (54 개의 서로 다른 충전소) 의 실제 데이터를 사용했습니다. 차량이 플러그를 꽂은 순간부터 충전 시작 후 첫 10 분 동안의 정보만 있는 세션을 분석했습니다.
단서: 그들은 AI 가 첫 10 분 동안 이용 가능한 특정 단서들을 보도록 가르쳤습니다:
- 시간: 주말인가요? 하루 중 어떤 시간인가요?
- 사용자 힌트: 운전자가 "2 시간 후에 떠나야 합니다" 또는 "50 마일의 주행 거리가 필요합니다"라고 말했나요?
- 초기 행동: 차량이 현재 얼마나 빠르게 충전되고 있나요? 전력이 오르고 있나요, 아니면 내리고 있나요?
테스트: 그들은 필요한 총 에너지를 예측하기 위해 다양한 유형의 AI 모델 (단순한 수학 공식부터 뇌처럼 생각하는 복잡한 '신경망'까지) 을 훈련시켰습니다. 두 가지 시나리오를 비교했습니다:
- 중앙 집중식: 모든 데이터를 한곳에 모음.
- 연방식: 데이터는 충전소에 머무르고, 모델 업데이트만 공유됨.

결과: 협력의 마법

다음은 그들이 발견한 것을 쉬운 영어로 번역한 것입니다:

초기 추측이 작동함: 첫 10 분의 데이터만으로도 AI 는 놀라운 정확도로 총 에너지 수요를 예측할 수 있었습니다. 마치 영화의 첫 10 분만 보고 영화의 전체 길이를 추측하는 것과 같습니다.
'비밀 레시피'가 작동함: 연방 학습 모델 (레시피를 교환하는 요리사들) 은 중앙 집중식 모델 (거대한 데이터베이스) 과 거의 동일한 성능을 발휘했습니다.
- 가장 좋은 '중앙 집중식' 모델 (Transformer 라는 복잡한 AI) 은 작은 오차율을 보였습니다.
- 가장 좋은 '연방식' 모델 (동일한 Transformer) 은 약간 더 높은 오차율을 보였지만, 현실 세계에서 유용할 정도로 충분히 가까웠습니다.
모든 모델이 평등하지는 않음: 일부 단순한 모델 (기본 수학 공식 등) 은 데이터가 충전소 간에 분할되었을 때 어려움을 겪었습니다. 그러나 더 복잡한 AI 모델 (Transformer 및 MLP 등) 은 충전소 간의 차이를 처리하는 데 매우 능숙했으며, 모든 사람의 데이터를 보지 않고도 효과적으로 학습했습니다.
효율성: 복잡한 모델은 조금 더 무거웠습니다 (더 많은 컴퓨터 메모리를 사용). 하지만 단순한 모델은 매우 가볍습니다.这意味着 운영자는 강력한 서버이든 충전기 자체의 작은 장치가든 하드웨어에 맞는 모델을 선택할 수 있습니다.

결론

이 논문은 전기차용 스마트 시스템을 구축하기 위해 모든 사람의 개인 데이터를 훔칠 필요가 없음을 증명합니다. 연방 학습을 사용하면 충전소들이 협력하여 충전 세션 초기에 에너지 수요를 예측하는 스마트한 '수정구'를 만들 수 있습니다. 이는 데이터를 프라이버시하게 유지하고 대역폭을 절약하면서도 운영자가 전력망을 효율적으로 관리하는 데 필요한 정확한 정보를 제공합니다.

간단히 말해: 그들은 서로의 개인 공책을 결코 보여주지 않은 채, 낯선 사람들이 모여 미래를 함께 예측하는 법을 배울 수 있음을 보여주었습니다.

기술 요약: 전기차 충전 수요 조기 예측을 위한 연동 학습

문제 정의
본 논문은 전기차 (EV) 충전 세션의 총 에너지 수요를 가능한 한 조기에 예측하는 과제를 다룬다. 차량 기지 (depot) 기반 환경에서는 차량이 플러그를 꽂은 직후 세션이 종료되기 전에 부하 균형, 우선순위 지정, 전력 할당과 같은 운영 결정을 내려야 하는 경우가 많다. 전통적인 예측 방법은 종종 세션이 끝난 후에만 이용 가능한 데이터에 의존하거나 중앙 집중식 데이터 집계 방식을 요구하는데, 이는 개인정보 보호 및 거버넌스 문제를 야기한다. 여기서 구체적으로 정의된 문제는 지도 학습 회귀 과제이다: 플러그인 컨텍스트와 초기 관찰 창 (충전 시작 후 첫 10 분) 의 측정치를 기반으로 세션이 전달하는 총 에너지 ( $E_{tot}$ ) 를 예측한다.

방법론
저자들은 적응형 충전 네트워크 (ACN) 프레임워크를 사용하여 세션 수준의 데이터셋을 구축하였으며, 54 개의 충전소를 갖춘 단일 운영 기지 (Caltech) 에 초점을 맞추었다.

특성 공학: 입력 벡터는 정적 세션 메타데이터 (예: 연결 타임스탬프, 사용자가 요청한 에너지, 출발 시간) 와 충전 시작 후 첫 10 분에서 추출된 동적 특성을 결합한다. 이러한 동적 특성에는 충전 전류와 파일럿 신호에 대한 요약 통계 (평균, 최대, 최소, 표준 편차, 마지막 값) 및 선형 추세 계수가 포함된다. 또한, 활용도 비율 (전류 대 파일럿 용량) 과 사다리꼴 적분을 통한 근사적 초기 창 에너지 추정치와 같은 상호작용 특성이 파생된다.
연동 학습 (FL) 설정: 본 연구는 각 충전소가 독립적인 클라이언트로 작용하는 기지 내 (intra-depot) FL 설정을 적용한다. 원시 데이터는 각 기지 로컬에 유지되며, FedAvg 알고리즘을 사용하여 모델 업데이트만 중앙 서버와 교환된다. 이 설정은 단일 기지 내에서 데이터가 여러 기지에 분산되어 있는 현실적인 시나리오를 모델링한다.
데이터 이질성: 저자들은 젠센 - 샤논 (JS) 발산을 사용하여 54 개 기지 클라이언트 간의 통계적 이질성을 분석하였다. 그 결과 데이터 분포는 '약간 비 IID(non-IID)'로 나타났으며, 대부분의 기지는 중간 정도의 발산을 보였으나 일부 소표본 기지는 이상치 역할을 하였다.
모델 군: 본 연구는 중앙 집중식 및 연동 설정 하에서 다양한 모델 세트를 평가하였다:
- 기준선: 평균만 사용하는 모델과 가우스 더미 예측기.
- 머신 러닝: 선형 회귀 (LR) 및 XGBoost(XGB).
- 신경망: 다층 퍼셉트론 (MLP), 1 차원 합성곱 신경망 (CNN), 게이트 순환 단위 (GRU), 그리고 표형 트랜스포머.

주요 기여

문제 공식화: 본 작업은 플러그인 컨텍스트와 세션 행동의 첫 10 분만을 사용하여 전달된 총 에너지를 예측하는 초기 세션 회귀 문제를 정의하며, 후속 단계에서의 정보 유출을 방지한다.
데이터셋 구축: ACN 메타데이터와 초기 창 충전 역학을 통합하여 현실적인 세션 수준 데이터셋을 구축하였으며, 엣지 배포에 적합한 컴팩트한 표 형식 표현을 생성하였다.
연동 평가: 본 논문은 여러 모델 군에 걸쳐 기지 분할 FL 에 대한 중앙 집중식 학습을 평가하였다. 이는 데이터 로컬리티를 유지하면서 개인정보 보호가 강화된 분산 학습이 중앙 집중식 성능 수준에 근접할 수 있음을 입증한다.

결과

중앙 집중식 성능: 중앙 집중식 설정에서 XGBoost 가 가장 높은 정확도 (MAE: 3.36 kWh, RMSE: 4.84 kWh) 를 달성하였다. 신경망 중에서는 트랜스포머가 가장 우수하게 성능을 발휘하여 (MAE: 3.55 kWh), 선형 모델 (LR MAE: 4.33 kWh) 보다 현저히 우월한 결과를 보였는데, 이는 초기 세션 기술자와 총 에너지 간의 관계가 비선형임을 시사한다.
연동 성능: 연동 모델은 일반적으로 중앙 집중식 대응 모델과 유사한 성능 수준으로 수렴하였다.
- 신경 모델: 트랜스포머 (MAE: 3.69 kWh) 와 MLP(MAE: 3.79 kWh) 는 중앙 집중식 학습에 비해 가장 작은 성능 저하를 보였다. 또한 상대적으로 빠르게 수렴하였다 (약 160~223 회의 통신 라운드).
- 트리/선형 모델: XGBoost 와 선형 회귀는 연동 설정에서 중앙 집중식 버전보다 낮은 성능을 보였으며, 수렴하는 데 더 많은 통신 라운드가 필요하였다 (XGB 는 400 라운드 이내에 완전히 수렴하지 못함).
- 안정성: 검증 및 테스트 곡선은 밀접하게 일치하여 라운드 전반에 걸쳐 과적합 없이 안정적인 최적화를 시사하였다.
자원 효율성: 정확도와 자원 사용량 사이에는 트레이드오프가 관찰되었다. 트랜스포머는 최고의 정확도를 제공했지만, 가장 큰 모델 크기 (2.33 MB) 와 높은 메모리 사용량을 보였다. MLP 와 GRU 는 경쟁력 있는 정확도와 더 작은 풋프린트를 갖춘 균형 잡힌 절충안을 제공하여, 자원이 제한된 엣지 하드웨어에 적합하다.

의의 및 주장
본 논문은 최소한의 데이터 (플러그인 컨텍스트 + 10 분의 행동) 를 사용하여 세션 초기에 신뢰할 수 있는 전기차 충전 수요 추정을 얻을 수 있다고 주장한다. 연동 학습이 전기차 충전 네트워크에서 확장 가능하고 개인정보 보호를 고려한 분석을 위한 실용적인 경로를 제공한다고 본다. 연구는 중앙 집중식 학습이 이론적으로 가장 높은 성능을 산출하지만, FL 은 원시 데이터를 전송하지 않고도 분산 인프라가 동등한 예측 정확도를 달성할 수 있게 하여 개인정보 보호 운영을 지원한다고 결론 내린다. 저자들은 이 접근 방식이 예측 품질과 배포 가능성을 균형 있게 잡을 수 있는 경량 모델 (MLP 또는 GRU 등) 이 가능한 엣지 지향 배포에 특히 실현 가능하다고 제안한다. 향후 작업으로는 이를 기지 간 (cross-depot) 설정으로 확장하고 태양광 생산 또는 지역 저장소 예측과 같은 보완적 신호를 통합하는 것으로 식별되었다.