🤖 machine learning

Federated Learning for Early Prediction of EV Charging Demand

Dit artikel stelt een federatief leerframework voor dat nauwkeurige, privacy-bewuste vroege voorspelling van laadvraag voor elektrische voertuigen mogelijk maakt met minimale sessiegegevens, waarbij prestaties worden behaald die vergelijkbaar zijn met die van gecentraliseerde modellen terwijl de gegevens lokaal blijven bij laaddepots.

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

Gepubliceerd 2026-05-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: De Toekomst Raden Voordat de Film Eindigt

Stel je voor dat je een bioscoop binnenloopt en gaat zitten. Je hebt de film nog niet gezien, maar de bioscoopmanager wil weten: "Hoeveel popcorn en frisdrank zal deze persoon kopen tegen het moment dat de aftiteling voorbij is?"

Normaal gesproken moet de manager wachten tot de film voorbij is om het antwoord te weten. Maar in dit artikel proberen de onderzoekers een ander probleem op te lossen: Kunnen ze de totale hoeveelheid energie die een Elektrisch Voertuig (EV) nodig heeft, raden door alleen naar de eerste 10 minuten van het laden te kijken?

Dit is cruciaal voor exploitanten van laadpalen. Als ze vroeg weten dat een auto een enorme hoeveelheid energie nodig heeft, kunnen ze de energiestroom direct aanpassen om het hele net stabiel te houden. Als ze wachten tot de auto bijna vol is, is het te laat om veranderingen aan te brengen.

De Uitdaging: De "Privacy"-Muur

Om een computer deze voorspellingen te laten doen, heb je meestal veel data nodig. In het verleden verzamelden bedrijven alle laaddata van elk station, zetten ze dit in één gigantische centrale database en trainden ze daar een model.

Maar er is een probleem: Privacy en Logistiek.

Privacy: Stationsexploitanten willen niet altijd ruwe data over hun klanten naar een centrale cloud sturen.
Logistiek: Het verplaatsen van terabytes aan data van honderden stations naar één plek is traag en duur.

De Oplossing: De "Geheime Recept"-Ruil (Federated Learning)

De auteurs stellen een slimme oplossing voor die Federated Learning heet.

Stel je een groep chefs voor, die elk in hun eigen aparte keuken werken (een laadstation). Ze willen allemaal leren hoe ze de perfecte "Energievoorspellingssoep" maken.

Oude Weg: Elke chef stuurt zijn ingrediënten en kooklogboeken naar een centraal hoofdkantoor. De hoofdkok mengt ze allemaal samen om één groot recept te maken.
Nieuwe Weg (Federated Learning): De hoofdkok stuurt een "basisrecept" naar elke keuken. Elke chef kookt een beetje met zijn eigen lokale ingrediënten. In plaats van hun ingrediënten terug te sturen, sturen ze alleen de wijzigingen die ze aan het recept hebben aangebracht (bijvoorbeeld: "Ik heb een snufje meer zout toegevoegd"). De hoofdkok verzamelt deze wijzigingen, werkt het hoofdrecept bij en stuurt de nieuwe versie weer uit.

In dit artikel zijn de "chefs" de individuele laadstations en is het "recept" het AI-model dat de energievraag voorspelt. De ruwe data verlaat het station nooit; alleen de geleerde "inzichten" reizen.

Wat Ze Deden

De Data: Ze gebruikten echte data van het Caltech-laaddepot (54 verschillende laadstations). Ze keken naar sessies waarbij ze alleen informatie hadden vanaf het moment dat de auto werd aangesloten en de eerste 10 minuten van het laden.
De aanwijzingen: Ze leerden de AI om te kijken naar specifieke aanwijzingen die in die eerste 10 minuten beschikbaar zijn:
- Tijd: Is het een weekend? Hoe laat is het?
- Gebruikershints: Zei de bestuurder: "Ik moet over 2 uur weg" of "Ik heb 50 mijl actieradius nodig"?
- Vroege Gedrag: Hoe snel laadt de auto nu? Gaat het vermogen omhoog of omlaag?
De Test: Ze trainden veel verschillende soorten AI-modellen (van simpele wiskundige formules tot complexe "neuronale netwerken" die denken als hersenen) om de totale benodigde energie te voorspellen. Ze vergeleken twee scenario's:
- Gecentraliseerd: Alle data op één plek.
- Federated: Data blijft bij de stations; alleen modelupdates worden gedeeld.

De Resultaten: De Magie van Samenwerking

Hier is wat ze vonden, vertaald naar gewone taal:

Vroeg Raden Werkt: Zelfs met slechts de eerste 10 minuten aan data, kon de AI de totale energievraag voorspellen met verbazingwekkende nauwkeurigheid. Het is alsof je de totale lengte van een film raadt door alleen de eerste 10 minuten te kijken.
Het "Geheime Recept" Werkt: De Federated Learning-modellen (de chefs die recepten ruilen) presteerden bijna even goed als de Gecentraliseerde modellen (de gigantische database).
- Het beste "Gecentraliseerde" model (een complexe AI genaamd een Transformer) had een kleine foutmarge.
- Het beste "Federated" model (dezelfde Transformer) had een lichte hogere foutmarge, maar het was dichtbij genoeg om in de echte wereld bruikbaar te zijn.
Niet Alle Modellen Zijn Gelijk: Sommige simpele modellen (zoals basiswiskundige formules) hadden moeite toen de data over de stations was verdeeld. De complexere AI-modellen (zoals de Transformer en MLP) waren echter zeer goed in het omgaan met de verschillen tussen stations en leerden nog steeds effectief zonder ieders data te zien.
Efficiëntie: De complexe modellen waren iets zwaarder (namen meer computergeheugen in beslag), maar de eenvoudigere modellen waren zeer licht. Dit betekent dat exploitanten een model kunnen kiezen dat past bij hun hardware, of het nu een krachtige server is of een klein apparaat op de lader zelf.

De Conclusie

Het artikel bewijst dat je niet de privédata van iedereen hoeft te stelen om een slim systeem voor elektrische voertuigen te bouwen. Door Federated Learning te gebruiken, kunnen laadstations samenwerken om een slimme "kristallen bol" te bouwen die energievragen vroeg in het laadsessie voorspelt. Dit houdt data privé, bespaart bandbreedte en geeft exploitanten nog steeds de nauwkeurige informatie die ze nodig hebben om het net efficiënt te beheren.

Kortom: Ze toonden aan dat een groep vreemden samen kan leren de toekomst te voorspellen zonder ooit elkaars privénotitieboeken aan elkaar te tonen.

Technische Samenvatting: Federated Learning voor Vroege Voorspelling van EV-Laadvraag

Probleemdefinitie
Het artikel behandelt de uitdaging om de totale energievraag van een laadsessie voor elektrische voertuigen (EV) zo vroeg mogelijk te voorspellen. In omgevingen met depots moeten operationele beslissingen betreffende lastbalancering, prioritering en stroomtoewijzing vaak kort nadat een voertuig is aangesloten worden genomen, voordat de sessie is voltooid. Traditionele voorspellingmethoden vertrouwen vaak op gegevens die pas na afloop van een sessie beschikbaar zijn, of vereisen een centrale aggregatie van gegevens, wat zorgen oproept over privacy en governance. Het specifieke probleem dat hier wordt geformuleerd, is een supervised regressietask: gegeven de context van het aansluiten en metingen uit een initiële observatiefenster (de eerste 10 minuten van het laden), voorspel de totale energie ( $E_{tot}$ ) die door de sessie wordt geleverd.

Methodologie
De auteurs construeren een dataset op sessieniveau met behulp van het Adaptive Charging Network (ACN)-framework, met focus op één operationeel depot (Caltech) met 54 laadpalen.

Feature Engineering: Het invoervector combineert statische sessiemetadata (bijvoorbeeld tijdstempel van aansluiting, door de gebruiker gevraagde energie, vertrektijd) met dynamische kenmerken die zijn ontleend aan de eerste 10 minuten van het laden. Deze dynamische kenmerken omvatten samenvattende statistieken (gemiddelde, maximum, minimum, standaardafwijking, laatste waarde) en lineaire trendcoëfficiënten voor de laadstroom en het pilotsignaal. Daarnaast worden interactiekenmerken afgeleid, zoals de benutingsratio (stroom versus pilotcapaciteit) en een benaderende schatting van de energie in het vroege venster (via trapeziumintegratie).
Federated Learning (FL)-opstelling: De studie hanteert een intra-depot FL-opstelling waarbij elke laadpaal fungeert als een onafhankelijke client. De ruwe gegevens blijven lokaal bij elke paal; alleen modelupdates worden uitgewisseld met een centrale server met behulp van het FedAvg-algoritme. Deze opstelling modelleert een realistisch scenario waarin gegevens zijn verspreid over stations binnen één enkel depot.
Gegevensheterogeniteit: De auteurs analyseren de statistische heterogeniteit over de 54 stationclients met behulp van de Jensen–Shannon (JS)-divergentie. Zij constateren dat de gegevensverdeling "licht niet-IID" is, waarbij de meeste stations een matige divergentie vertonen, hoewel een paar stations met kleine steekproeven als uitschieters optreden.
Modelfamilies: De studie evalueert een diverse reeks modellen onder zowel centrale als federale settings:
- Baselines: Gemiddelde-only en Gaussische dummy-predictoren.
- Machine Learning: Lineaire Regressie (LR) en XGBoost (XGB).
- Neurale Netwerken: Multi-Layer Perceptron (MLP), 1D Convolutional Neural Network (CNN), Gated Recurrent Unit (GRU) en een Tabulaire Transformer.

Belangrijkste Bijdragen

Probleemformulering: Het werk definieert een regressieprobleem voor het vroege stadium van een sessie waarbij de totale geleverde energie wordt voorspeld met uitsluitend de context van het aansluiten en het gedrag van de eerste 10 minuten van de sessie, waardoor informatielek uit latere stadia wordt vermeden.
Datasetconstructie: Een realistische dataset op sessieniveau is opgebouwd door ACN-metadata te integreren met laaddynamiek uit het vroege venster, waardoor een compacte tabulaire representatie ontstaat die geschikt is voor implementatie aan de rand (edge).
Federale Evaluatie: Het artikel evalueert centrale training tegenover station-gesplitste FL over meerdere modelfamilies. Het toont aan dat privacy-versterkte gedistribueerde leerprocessen prestatieniveaus kunnen benaderen die vergelijkbaar zijn met centrale training, terwijl de gegevenslokaliteit wordt behouden.

Resultaten

Centrale Prestaties: In de centrale setting behaalde XGBoost de hoogste nauwkeurigheid (MAE: 3,36 kWh, RMSE: 4,84 kWh). Onder de neurale netwerken presteerde de Transformer het beste (MAE: 3,55 kWh), wat significant beter was dan lineaire modellen (LR MAE: 4,33 kWh), wat aangeeft dat het verband tussen beschrijvers van het vroege stadium van de sessie en de totale energie niet-lineair is.
Federale Prestaties: Federale modellen convergeren over het algemeen naar prestatieniveaus die dicht bij hun centrale tegenhangers liggen.
- Neurale Modellen: De Transformer (MAE: 3,69 kWh) en MLP (MAE: 3,79 kWh) vertoonden de kleinste degradatie ten opzichte van centrale training. Ze convergeerden ook relatief snel (ongeveer 160–223 communicatierondes).
- Boom/Lineaire Modellen: XGBoost en Lineaire Regressie presteerden slechter in de federale setting in vergelijking met hun centrale versies en vereisten meer communicatierondes om te convergeren (XGB was binnen 400 rondes nog niet volledig geconvergeerd).
- Stabiliteit: Validatie- en testcurven bleven nauw op elkaar afgestemd, wat wijst op stabiele optimalisatie zonder significante overfitting over de rondes heen.
Ressourcenefficiëntie: Er werd een afweging waargenomen tussen nauwkeurigheid en resourcegebruik. Hoewel de Transformer de beste nauwkeurigheid bood, had deze de grootste modelgrootte (2,33 MB) en het hoogste geheugengebruik. MLP en GRU boden een gebalanceerd compromis met concurrerende nauwkeurigheid en kleinere voetafdrukken, waardoor ze geschikt zijn voor hardware aan de rand met beperkte middelen.

Betekenis en Claims
Het artikel stelt dat betrouwbare schattingen van de EV-laadvraag vroeg in een sessie kunnen worden verkregen met minimale gegevens (context van het aansluiten + 10 minuten gedrag). Het stelt dat Federated Learning een praktische weg biedt voor schaalbare, privacybewuste analyses in EV-laadnetwerken. De studie concludeert dat hoewel centrale training de hoogste theoretische prestatie oplevert, FL het mogelijk maakt voor gedistribueerde infrastructuur om vergelijkbare voorspellende nauwkeurigheid te bereiken zonder ruwe gegevens te verzenden, waardoor privacybehoudende operaties worden ondersteund. De auteurs suggereren dat deze aanpak bijzonder levensvatbaar is voor randgerichte implementaties waar lichtgewicht modellen (zoals MLP of GRU) voorspellende kwaliteit kunnen balanceren met implementeerbaarheid. Toekomstig werk wordt geïdentificeerd als het uitbreiden hiervan naar settings over meerdere depots heen en het integreren van complementaire signalen zoals fotovoltaïsche productie of voorspellingen voor lokale opslag.