論文の概要: Federated Learning for Early Prediction of EV Charging Demand

• arxiv url: http://arxiv.org/abs/2605.04993v1
• Date: Wed, 06 May 2026 14:53:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.88727
• Title: Federated Learning for Early Prediction of EV Charging Demand
• Title（参考訳）: EV充電需要の早期予測のためのフェデレートラーニング
• Abstract要約: 本研究では、プラグイン時間と充電開始後1分で利用可能な情報のみを用いて、セッションの総エネルギーを推定する充電需要の早期予測問題について検討する。 本稿では,アダプティブ充電ネットワーク(ACN)からセッションレベルのデータセットを構築し,セッションメタデータと初期ウィンドウ充電測定を組み合わせた。 我々は,最小限のデータでセッションの初期段階で信頼性の高い需要推定値を得ることができ,EV充電ネットワークのスケーラブルでプライバシに配慮した分析への実践的な経路を提供することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate forecasting of electric vehicle (EV) charging demand is critical for grid stability, infrastructure planning, and real-time charging optimization. In this work, we study the problem of early prediction of charging demand, where the total energy of a session is estimated using only information available at plug-in time and during the first minutes of charging. This enables actionable decisions while the session is still in progress, which is of direct importance for EV network operators. We construct a session-level dataset from the Adaptive Charging Network (ACN), combining session metadata with early-window charging measurements, and derive tabular features capturing user intent, temporal patterns, and initial charging behavior. We focus on a single operational depot, Caltech, and model intra-depot heterogeneity through station-level client partitions while evaluating multiple model families in a federated learning (FL) setting. Our results show that federated models can approach centralized predictive performance while keeping data in-depot, enabling privacy-enhanced training across distributed charging infrastructures. Overall, we demonstrate that reliable demand estimates can be obtained early in the session with minimal data, and that FL provides a practical pathway toward scalable and privacy-aware analytics for EV charging networks. Code is available at https://github.com/Indigma-Innovations/federated-learning-ev-charging-demand.
• Abstract（参考訳）: 電気自動車(EV)の充電需要の正確な予測は、グリッド安定性、インフラ計画、リアルタイム充電最適化に不可欠である。 本研究では,プラグイン時間と充電開始後1分で利用可能な情報のみを用いて,セッションの総エネルギーを推定する充電需要の早期予測問題について検討する。 これにより、セッションが進行中である間に実行可能な決定が可能になり、EVネットワークオペレーターにとって直接的に重要である。 本稿では、アダプティブ充電ネットワーク(ACN)からセッションレベルのデータセットを構築し、セッションメタデータと初期ウィンドウ充電測定を組み合わせるとともに、ユーザ意図、時間パターン、初期充電動作をキャプチャする表形式の特徴を導出する。 本研究では,複数のモデルファミリをフェデレート学習(FL)環境で評価しながら,駅レベルのクライアント分割による単一運用デポ,Caltech,およびモデルデポ内不均一性に着目した。 以上の結果から,フェデレーションモデルでは,分散充電インフラ間でのプライバシ強化トレーニングを実現するとともに,中央集権的な予測性能にアプローチすることが可能であることが示唆された。 全体として、信頼性の高い需要予測は最小限のデータでセッションの初期段階で得られ、FLはEV充電ネットワークのスケーラブルでプライバシーに配慮した分析への実践的な経路を提供する。 コードはhttps://github.com/Indigma-Innovations/federated-learning-ev-charging-demandで入手できる。

関連論文リスト

• LSTM-Based Forecasting and Analysis of EV Charging Demand in a Dense Urban Campus [2.242735348583755]
  このフレームワークは、複数の場所から大量の生データを処理し、正規化と特徴抽出によってLSTMを訓練する。 モデルが複数の時間スケールで充電需要を正確に予測する能力は、インフラ計画、エネルギー管理、グリッド統合に貴重な洞察を与えてくれる。
  論文  参考訳（メタデータ） (2025-10-19T05:23:21Z)
• Learning More with Less: A Generalizable, Self-Supervised Framework for Privacy-Preserving Capacity Estimation with EV Charging Data [84.37348569981307]
  自己教師付き事前学習に基づく第一種能力推定モデルを提案する。 我々のモデルは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-10-05T08:58:35Z)
• Profiling Electric Vehicles via Early Charging Voltage Patterns [56.4040698609393]
  電気自動車(EV)は、燃料駆動車に代わる持続可能な代替手段として急速に普及している。 近年の結果,攻撃者はリレー攻撃によってエネルギーを盗む可能性が示唆された。 1つの対策は、充電中に交換された電流でEVの指紋を活用することだ。
  論文  参考訳（メタデータ） (2025-06-09T12:57:37Z)
• 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)
• Towards Using Machine Learning to Generatively Simulate EV Charging in Urban Areas [1.1434534164449743]
  本研究では、限られたデータで都市部における電気自動車(EV)の充電プロファイルを予測することの課題に対処する。 我々のモデルは、ピーク電力需要と日々の負荷を予測し、充電行動に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-12-13T19:55:19Z)
• Coherent Hierarchical Probabilistic Forecasting of Electric Vehicle Charging Demand [3.7690784039257292]
  本稿では,複数の電気自動車充電ステーション(EVCS)の階層的確率的予測問題について検討する。 各充電ステーションに対して、部分入力凸ニューラルネットワーク(PICNN)に基づくディープラーニングモデルを訓練し、日頭充電需要の条件分布を予測する。 微分凸最適化層(DCL)は、分布からサンプリングされたシナリオを再構成し、一貫性のあるシナリオを生成する。
  論文  参考訳（メタデータ） (2024-11-01T03:35:04Z)
• An Adaptive Framework for Generalizing Network Traffic Prediction towards Uncertain Environments [51.99765487172328]
  我々は,モバイルネットワークトラフィック予測モデルを動的に割り当てるための時系列解析を用いた新しいフレームワークを開発した。 我々のフレームワークは学習した振る舞いを採用しており、現在の研究と比較して50%以上の改善が得られ、どのモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-11-30T18:58:38Z)
• Secure short-term load forecasting for smart grids with transformer-based federated learning [0.0]
  電力負荷予測は、需要と供給収支を補助するスマートグリッドの中で不可欠なタスクである。 きめ細かい負荷プロファイルは、ユーザの消費電力の挙動を公開できるため、プライバシやセキュリティ上の懸念が高まる。 本稿では,短期電力負荷予測のためのフェデレーション学習を用いた変圧器を用いた新しい深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-10-26T15:27:55Z)
• Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
  我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。 限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
  論文  参考訳（メタデータ） (2023-05-02T07:41:16Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Learning to Operate an Electric Vehicle Charging Station Considering Vehicle-grid Integration [4.855689194518905]
  本稿では、充電ステーションの利益を最大化するために、新しい集中的アロケーションと分散実行(CADE)強化学習(RL)フレームワークを提案する。 集中配置プロセスでは、EVを待機スポットまたは充電スポットに割り当て、分散実行プロセスでは、各充電器は、共有再生メモリからアクション値関数を学習しながら、独自の充電/放電判定を行う。 数値計算により,提案したCADEフレームワークは計算効率が高く,拡張性も高く,ベースラインモデル予測制御(MPC)よりも優れていた。
  論文  参考訳（メタデータ） (2021-11-01T23:10:28Z)

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。