전기차 충전 수요의 초기 예측을 위한 연방 학습
요약
본 연구는 전기차(EV) 충전 세션 초기의 제한된 정보만을 사용하여 총 에너지 수요를 정확하게 예측하는 방법을 제시합니다. 특히, 사용자 의도와 초기 행동 패턴을 포착하기 위해 메타데이터와 초기 충전 측정을 결합한 데이터셋을 구축했습니다. 또한, 연방 학습(FL) 환경에서 데이터를 분산 유지하면서 중앙 집중식 수준의 높은 예측 성능을 달성할 수 있음을 입증하여, 프라이버시를 보호하는 확장 가능한 충전 수요 예측 솔루션을 제공합니다.
핵심 포인트
- 초기 충전 데이터만으로도 세션 전체 에너지 수요를 신뢰성 있게 추정하는 것이 가능함을 보였습니다.
- 사용자 의도와 시간적 패턴을 포착하기 위해 메타데이터와 초기 충전 측정을 결합한 새로운 데이터셋을 구축했습니다.
- 연방 학습(FL) 프레임워크를 사용하여 데이터를 분산된 디포트 내에서 유지하면서 높은 예측 성능을 달성할 수 있습니다.
- 본 접근 방식은 전기차 네트워크 운영자에게 실시간 최적화 및 프라이버시 보호가 가능한 확장성 있는 솔루션을 제공합니다.
전기차 (EV) 충전 수요의 정확한 예측은 그리드 안정성, 인프라 계획 및 실시간 충전 최적화에 필수적입니다. 본 연구에서는 플러그 인 시간과 충전 시작 후 첫 몇 분 동안만 이용 가능한 정보만으로 세션의 총 에너지를 추정하는 초기 충전 수요 예측 문제를 다룹니다. 이는 세션 진행 중에 실행 가능한 결정을 가능하게 하며, 전기차 네트워크 운영자에게 직접적인 중요성을 가집니다. 우리는 Adaptive Charging Network (ACN) 에서 세션 메타데이터와 초기 윈도우 충전 측정을 결합하여 세션 수준의 데이터셋을 구축하고, 사용자 의도, 시간적 패턴 및 초기 충전 행동을 포착하는 표식 기능을 도출했습니다. 본 연구는 단일 운영 디포트인 Caltech 에 집중하며, 연방 학습 (FL) 환경에서 여러 모델 계열을 평가하면서 디포트 내 이질성을 스테이션 수준의 클라이언트 파티션으로 모델링합니다. 우리의 결과는 연방 모델이 데이터를 디포트 내에 유지하면서도 중앙 집중식 예측 성능에 근접할 수 있음을 보여주며, 분산 충전 인프라를 통한 프라이버시 강화 훈련을 가능하게 합니다. 종합적으로, 우리는 세션 초기에 최소한의 데이터로도 신뢰할 수 있는 수요 추정을 얻을 수 있으며, 연방 학습 (FL) 이 확장 가능하고 프라이버시 인과 분석을 위한 실용적인 경로를 제공함을 증명했습니다. 코드는 https://github.com/Indigma-Innovations/federated-learning-ev-charging-demand 에서 이용 가능합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기