論文の概要: On Electric Vehicle Energy Demand Forecasting and the Effect of Federated Learning

• arxiv url: http://arxiv.org/abs/2602.20782v1
• Date: Tue, 24 Feb 2026 11:21:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.722619
• Title: On Electric Vehicle Energy Demand Forecasting and the Effect of Federated Learning
• Title（参考訳）: 電気自動車のエネルギー需要予測とフェデレーション学習の効果について
• Authors: Andreas Tritsarolis, Gil Sampaio, Nikos Pelekis, Yannis Theodoridis,
• Abstract要約: 電気自動車供給機器(EVSE)のエネルギー需給予測は、効率的なエネルギー管理と持続可能性を確保する上で最も重要な作業の1つである。 ユーティリティプロバイダは、エネルギー/電力需要を予測し、リソース割り当てを最適化し、グリッド信頼性を改善するための積極的な対策を実行することができる。 プライバシーやサステナビリティに関する懸念や制限が高まるにつれ、トレーニングデータの断片化がますます進んでいる。
• 参考スコア（独自算出の注目度）: 1.2599533416395765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The wide spread of new energy resources, smart devices, and demand side management strategies has motivated several analytics operations, from infrastructure load modeling to user behavior profiling. Energy Demand Forecasting (EDF) of Electric Vehicle Supply Equipments (EVSEs) is one of the most critical operations for ensuring efficient energy management and sustainability, since it enables utility providers to anticipate energy/power demand, optimize resource allocation, and implement proactive measures to improve grid reliability. However, accurate EDF is a challenging problem due to external factors, such as the varying user routines, weather conditions, driving behaviors, unknown state of charge, etc. Furthermore, as concerns and restrictions about privacy and sustainability have grown, training data has become increasingly fragmented, resulting in distributed datasets scattered across different data silos and/or edge devices, calling for federated learning solutions. In this paper, we investigate different well-established time series forecasting methodologies to address the EDF problem, from statistical methods (the ARIMA family) to traditional machine learning models (such as XGBoost) and deep neural networks (GRU and LSTM). We provide an overview of these methods through a performance comparison over four real-world EVSE datasets, evaluated under both centralized and federated learning paradigms, focusing on the trade-offs between forecasting fidelity, privacy preservation, and energy overheads. Our experimental results demonstrate, on the one hand, the superiority of gradient boosted trees (XGBoost) over statistical and NN-based models in both prediction accuracy and energy efficiency and, on the other hand, an insight that Federated Learning-enabled models balance these factors, offering a promising direction for decentralized energy demand forecasting.
• Abstract（参考訳）: 新たなエネルギーリソース,スマートデバイス,需要側管理戦略の広範な普及は,インフラストラクチャの負荷モデリングからユーザ行動プロファイリングに至るまで,いくつかの分析操作を動機付けている。 電気自動車供給機器(EVSE)のエネルギー需要予測(EDF)は、電力・電力需要を予測し、資源配分を最適化し、グリッド信頼性を向上させるための積極的対策を実施できるため、効率的なエネルギー管理と持続可能性を確保するための最も重要な操作の1つである。 しかし, 各種ユーザルーチン, 天候条件, 運転行動, 充電状態の不明など, 外部要因が原因で, 正確なEDFは難しい問題である。 さらに、プライバシやサステナビリティに関する懸念や制限が高まるにつれて、トレーニングデータの断片化が進み、さまざまなデータサイロやエッジデバイスに分散したデータセットが分散化され、フェデレーション付き学習ソリューションが求められている。 本稿では,統計手法(ARIMAファミリー)から従来の機械学習モデル(XGBoostなど),深層ニューラルネットワーク(GRU,LSTM)に至るまで,EDF問題に対処するための確立された時系列予測手法について検討する。 本稿では,4つの実世界のEVSEデータセットのパフォーマンス比較を通じて,これらの手法の概要について述べる。 実験結果から, 予測精度とエネルギー効率の両面で, 統計モデルとNNモデルに比較して, 勾配向上木(XGBoost)の優越性を示すとともに, フェデレートラーニング対応モデルがこれらの因子のバランスを保ち, 分散型エネルギー需要予測の有望な方向性を示す。

関連論文リスト

• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Load Forecasting in the Era of Smart Grids: Opportunities and Advanced Machine Learning Models [0.0]
  電力の貯蔵は困難であり、発電、送電、配電をより厳格に制御する必要がある。 本論文では,短期負荷予測のための4つの機械学習フレームワークについて検討・評価する。 さらに、Long Short Term Memory(LSTM)ネットワークとGated Recurrent Units(GRU)という2つのリカレントニューラルネットワークアーキテクチャを設計、実装している。
  論文  参考訳（メタデータ） (2025-05-14T09:19:47Z)
• From Dense to Sparse: Event Response for Enhanced Residential Load Forecasting [48.22398304557558]
  住宅負荷予測のためのイベント応答型知識ガイド手法(ERKG)を提案する。 ERKGは、異なる家電の電力使用状況の推定、負荷系列からのイベント関連スパース知識のマイニングを取り入れている。
  論文  参考訳（メタデータ） (2025-01-06T05:53:38Z)
• FedWOA: A Federated Learning Model that uses the Whale Optimization Algorithm for Renewable Energy Prediction [0.0]
  本稿では,フェデレート学習モデルについて紹介する。フェデレーション学習モデルは,プロシューマーエネルギーデータに基づいて訓練された局所ニューラルネットワークモデルの重みから,グローバル予測モデルを集約する。 その結果,FedAVGと比較して,MSEでは25%,MAEでは16%の精度でエネルギー予測モデルの精度を効果的に向上できることがわかった。
  論文  参考訳（メタデータ） (2023-09-19T05:44:18Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• FedREP: Towards Horizontal Federated Load Forecasting for Retail Energy Providers [1.1254693939127909]
  我々は、エネルギー負荷予測のための新しい水平プライバシー保護フェデレーション学習フレームワーク、フェデレーション(FedREP)を提案する。 我々は、複数のREPがデータを共有することなく、共通の堅牢な機械学習モデルを構築することを可能にすることにより、制御センタと複数の小売業者からなる連合学習システムを考える。 予測には、長期の観測シーケンスを学習できるため、最先端のLong Short-Term Memory(LSTM)ニューラルネットワークを使用する。
  論文  参考訳（メタデータ） (2022-03-01T04:16:19Z)
• Federated Learning for Short-term Residential Energy Demand Forecasting [4.769747792846004]
  エネルギー需要予測は、需要と供給のバランスを保ち、電力網の安定的な負荷を維持するためにエネルギー産業内で実施される重要な課題である。 供給が信頼性の低い再生可能エネルギー生成へと移行するにつれ、スマートメーターはこれらの予測タスクを支援する上で不可欠な要素であることが証明される。 しかし、プライバシーを意識した消費者は、詳細な消費データへの侵入を恐れている。
  論文  参考訳（メタデータ） (2021-05-27T17:33:09Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。