PulseAugur
中
实时 21:08:43
English(EN) Federated Learning for Early Prediction of EV Charging Demand

联邦学习可早期预测电动汽车充电需求，同时保护数据隐私

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种联邦学习方法，用于在充电会话早期预测电动汽车（EV）的充电需求。通过利用插入电源和充电最初几分钟内可用的数据，该系统可以估算总能量需求，从而实现电动汽车网络运营商的实时优化。该方法在加州理工学院自适应充电网络（ACN）的数据上进行了测试，证明了联邦模型在保护数据隐私（通过将数据保留在本地库中）的同时，可以实现与集中式模型相媲美的性能。 AI

影响 联邦学习为分析分布式电动汽车充电数据提供了一种保护隐私的方法，有望提高电网稳定性和充电优化。

排序理由 该集群包含一篇学术论文，详细介绍了使用联邦学习进行电动汽车充电需求预测的新方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

联邦学习可早期预测电动汽车充电需求，同时保护数据隐私

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Vasilis Perifanis, Foteini Nikolaidou, Nikolaos Pavlidis, Panagiotis Thomakos, Andreas Sendros ·

    Federated Learning for Early Prediction of EV Charging Demand

    arXiv:2605.04993v1 Announce Type: new 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, w…

  2. arXiv cs.AI TIER_1 English(EN) · Andreas Sendros ·

    Federated Learning for Early Prediction of EV Charging Demand

    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 …

相关实体

相关话题