🤖 machine learning

Federated Learning for Early Prediction of EV Charging Demand

Este artigo propõe um framework de aprendizado federado que permite a previsão precoce precisa e preservadora de privacidade da demanda de recarga de veículos elétricos utilizando dados mínimos de sessão, alcançando desempenho comparável a modelos centralizados enquanto mantém os dados localizados nos depósitos de recarga.

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

Publicado 2026-05-07

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A Visão Geral: Adivinhando o Futuro Antes do Filme Terminar

Imagine que você entra em um cinema e se senta. Você ainda não viu o filme, mas o gerente do cinema quer saber: "Quanto de pipoca e refrigerante essa pessoa vai comprar até o final dos créditos?"

Normalmente, o gerente tem que esperar o filme acabar para saber a resposta. Mas, neste artigo, os pesquisadores estão tentando resolver um problema diferente: Eles conseguem adivinhar a quantidade total de energia que um Veículo Elétrico (VE) precisará apenas observando os primeiros 10 minutos de carregamento?

Isso é crucial para os operadores de estações de carregamento. Se eles souberem cedo que um carro precisa de uma quantidade massiva de energia, podem ajustar o fluxo de potência imediatamente para manter toda a rede estável. Se esperarem até que o carro esteja quase cheio, será tarde demais para fazer alterações.

O Desafio: O Muro da "Privacidade"

Para ensinar um computador a fazer essas previsões, geralmente é necessário muitos dados. No passado, as empresas reuniam todos os dados de carregamento de todas as estações, colocavam-nos em um único banco de dados central gigante e treinavam um modelo lá.

Mas há um problema: Privacidade e Logística.

Privacidade: Os operadores das estações nem sempre querem enviar dados brutos sobre seus clientes para uma nuvem central.
Logística: Mover terabytes de dados de centenas de estações para um único local é lento e caro.

A Solução: A Troca da "Receita Secreta" (Aprendizado Federado)

Os autores propõem uma solução engenhosa chamada Aprendizado Federado.

Imagine um grupo de chefs, cada um trabalhando em sua própria cozinha separada (uma estação de carregamento). Todos eles querem aprender a fazer a "Sopa Perfeita de Previsão de Energia".

Jeito Antigo: Cada chef envia seus ingredientes e registros de cozimento para uma sede central. O chef principal mistura tudo junto para criar uma única receita gigante.
Novo Jeito (Aprendizado Federado): O chef principal envia uma "receita base" para cada cozinha. Cada chef cozinha um pouco usando seus próprios ingredientes locais. Em vez de enviar seus ingredientes de volta, eles enviam apenas as mudanças que fizeram na receita (por exemplo: "Adicionei uma pitada a mais de sal"). O chef principal coleta essas mudanças, atualiza a receita mestra e envia a nova versão de volta.

Neste artigo, os "chefs" são as estações de carregamento individuais e a "receita" é o modelo de IA que prevê a demanda de energia. Os dados brutos nunca deixam a estação; apenas os "insights" aprendidos viajam.

O Que Eles Fizeram

Os Dados: Eles usaram dados reais do depósito de carregamento do Caltech (54 estações de carregamento diferentes). Eles analisaram sessões onde tinham apenas informações desde o momento em que o carro foi conectado e os primeiros 10 minutos de carregamento.
As Pistas: Eles ensinaram a IA a observar pistas específicas disponíveis nesses primeiros 10 minutos:
- Tempo: É fim de semana? Que horas são?
- Dicas do Usuário: O motorista disse: "Preciso sair em 2 horas" ou "Preciso de 50 milhas de autonomia"?
- Comportamento Inicial: Com que velocidade o carro está carregando agora? A potência está subindo ou descendo?
O Teste: Eles treinaram muitos tipos diferentes de modelos de IA (desde fórmulas matemáticas simples até complexas "redes neurais" que pensam como cérebros) para prever a energia total necessária. Eles compararam dois cenários:
- Centralizado: Todos os dados em um só lugar.
- Federado: Os dados permanecem nas estações; apenas as atualizações do modelo são compartilhadas.

Os Resultados: A Magia da Colaboração

Aqui está o que eles descobriram, traduzido para linguagem simples:

Adivinhação Precoce Funciona: Mesmo com apenas os primeiros 10 minutos de dados, a IA conseguiu prever a demanda total de energia com precisão surpreendente. É como adivinhar o comprimento total de um filme apenas assistindo aos primeiros 10 minutos.
A "Receita Secreta" Funciona: Os modelos de Aprendizado Federado (os chefs trocando receitas) performaram quase tão bem quanto os modelos Centralizados (o banco de dados gigante).
- O melhor modelo "Centralizado" (uma IA complexa chamada Transformer) teve uma pequena taxa de erro.
- O melhor modelo "Federado" (o mesmo Transformer) teve uma taxa de erro ligeiramente maior, mas foi suficientemente próxima para ser útil no mundo real.
Nem Todos os Modelos São Iguais: Alguns modelos simples (como fórmulas matemáticas básicas) lutaram quando os dados foram divididos entre as estações. No entanto, os modelos de IA mais complexos (como o Transformer e MLP) foram muito bons em lidar com as diferenças entre as estações e ainda aprenderam efetivamente sem ver os dados de todos.
Eficiência: Os modelos complexos foram um pouco mais pesados (consumiram mais memória de computador), mas os modelos mais simples foram muito leves. Isso significa que os operadores podem escolher um modelo que se adapte ao seu hardware, seja um servidor poderoso ou um pequeno dispositivo no próprio carregador.

A Conclusão

O artigo prova que você não precisa roubar os dados privados de todos para construir um sistema inteligente para veículos elétricos. Ao usar Aprendizado Federado, as estações de carregamento podem colaborar para construir uma "bola de cristal" inteligente que prevê as necessidades de energia cedo na sessão de carregamento. Isso mantém os dados privados, economiza largura de banda e ainda fornece aos operadores as informações precisas de que precisam para gerenciar a rede com eficiência.

Em resumo: Eles mostraram que um grupo de estranhos pode aprender a prever o futuro juntos sem nunca mostrar um ao outro seus cadernos privados.

Resumo Técnico: Aprendizado Federado para Previsão Antecipada da Demanda de Carregamento de Veículos Elétricos

Definição do Problema
O artigo aborda o desafio de prever a demanda total de energia de uma sessão de carregamento de veículo elétrico (VE) o mais cedo possível. Em ambientes baseados em pátios, decisões operacionais relativas ao balanceamento de carga, priorização e alocação de energia devem frequentemente ser tomadas pouco após a conexão do veículo, antes do término da sessão. Métodos tradicionais de previsão frequentemente dependem de dados disponíveis apenas após o fim da sessão ou exigem agregação centralizada de dados, o que levanta preocupações de privacidade e governança. O problema específico formulado aqui é uma tarefa de regressão supervisionada: dado o contexto de conexão e medições de uma janela de observação inicial (os primeiros 10 minutos de carregamento), prever a energia total ( $E_{tot}$ ) entregue pela sessão.

Metodologia
Os autores constroem um conjunto de dados em nível de sessão utilizando o framework Adaptive Charging Network (ACN), focando em um único pátio operacional (Caltech) com 54 estações de carregamento.

Engenharia de Características: O vetor de entrada combina metadados estáticos da sessão (por exemplo, carimbo de data/hora de conexão, energia solicitada pelo usuário, horário de partida) com características dinâmicas extraídas dos primeiros 10 minutos de carregamento. Essas características dinâmicas incluem estatísticas de resumo (média, máximo, mínimo, desvio padrão, último valor) e coeficientes de tendência linear para a corrente de carregamento e o sinal piloto. Adicionalmente, características de interação, como a taxa de utilização (corrente versus capacidade do piloto) e uma estimativa aproximada de energia da janela inicial (via integração trapezoidal), são derivadas.
Configuração de Aprendizado Federado (FL): O estudo emprega uma configuração de FL intra-pátio, onde cada estação de carregamento atua como um cliente independente. Os dados brutos permanecem locais em cada estação; apenas atualizações do modelo são trocadas com um servidor central usando o algoritmo FedAvg. Essa configuração modela um cenário realista onde os dados estão distribuídos entre as estações dentro de um único pátio.
Heterogeneidade de Dados: Os autores analisam a heterogeneidade estatística entre os 54 clientes de estação usando a divergência de Jensen–Shannon (JS). Eles encontram a distribuição de dados como "levemente não-IID", com a maioria das estações mostrando divergência moderada, embora algumas estações com pequenas amostras atuem como outliers.
Famílias de Modelos: O estudo avalia um conjunto diversificado de modelos sob configurações centralizadas e federadas:
- Baselines: Preditores dummy de média única e Gaussianos.
- Aprendizado de Máquina: Regressão Linear (LR) e XGBoost (XGB).
- Redes Neurais: Perceptron Multicamada (MLP), Rede Neural Convolucional 1D (CNN), Unidade Recorrente Porteira (GRU) e um Transformer Tabular.

Principais Contribuições

Formulação do Problema: O trabalho define um problema de regressão de sessão inicial onde a energia total entregue é prevista usando apenas o contexto de conexão e os primeiros 10 minutos de comportamento da sessão, evitando vazamento de informações de estágios posteriores.
Construção do Conjunto de Dados: Um conjunto de dados realista em nível de sessão é construído integrando metadados do ACN com dinâmicas de carregamento de janela inicial, criando uma representação tabular compacta adequada para implantação na borda.
Avaliação Federada: O artigo avalia o treinamento centralizado contra FL particionado por estação em múltiplas famílias de modelos. Demonstra que o aprendizado distribuído aprimorado por privacidade pode aproximar-se dos níveis de desempenho centralizado, mantendo a localidade dos dados.

Resultados

Desempenho Centralizado: No cenário centralizado, o XGBoost alcançou a maior precisão (MAE: 3,36 kWh, RMSE: 4,84 kWh). Entre as redes neurais, o Transformer teve o melhor desempenho (MAE: 3,55 kWh), superando significativamente os modelos lineares (MAE da LR: 4,33 kWh), indicando que a relação entre descritores de sessão inicial e energia total é não linear.
Desempenho Federado: Os modelos federados geralmente convergiram para níveis de desempenho próximos aos seus equivalentes centralizados.
- Modelos Neurais: O Transformer (MAE: 3,69 kWh) e o MLP (MAE: 3,79 kWh) mostraram a menor degradação em relação ao treinamento centralizado. Eles também convergiram relativamente rápido (cerca de 160–223 rodadas de comunicação).
- Modelos Árvore/Lineares: XGBoost e Regressão Linear tiveram desempenho pior no cenário federado em comparação com suas versões centralizadas e exigiram mais rodadas de comunicação para convergir (o XGB não havia convergido totalmente dentro de 400 rodadas).
- Estabilidade: As curvas de validação e teste permaneceram estreitamente alinhadas, sugerindo otimização estável sem sobreajuste significativo ao longo das rodadas.
Eficiência de Recursos: Observou-se uma compensação entre precisão e uso de recursos. Embora o Transformer oferecesse a melhor precisão, ele tinha o maior tamanho de modelo (2,33 MB) e o maior uso de memória. MLP e GRU ofereceram um compromisso equilibrado com precisão competitiva e pegadas menores, tornando-os adequados para hardware de borda com recursos limitados.

Significado e Alegações
O artigo afirma que estimativas confiáveis da demanda de carregamento de VE podem ser obtidas no início de uma sessão usando dados mínimos (contexto de conexão + 10 minutos de comportamento). Ele postula que o Aprendizado Federado fornece um caminho prático para análises escaláveis e conscientes da privacidade em redes de carregamento de VE. O estudo conclui que, embora o treinamento centralizado produza o desempenho teórico mais alto, o FL permite que infraestruturas distribuídas alcancem precisão preditiva comparável sem transmitir dados brutos, apoiando assim operações que preservam a privacidade. Os autores sugerem que essa abordagem é particularmente viável para implantações orientadas à borda, onde modelos leves (como MLP ou GRU) podem equilibrar qualidade preditiva com implantabilidade. Trabalhos futuros são identificados como a extensão disso para configurações inter-pátio e a integração de sinais complementares, como produção fotovoltaica ou previsões de armazenamento local.