关键词：电动汽车;负荷预测;隐私保护;用户行为;联邦学习;损失函数
摘 要：随着电动汽车迅猛发展，其充电频率和日充电量急剧增高，对电网的稳定运行产生了较大冲击，因此针对电动汽车的充电负荷预测研究具有重要意义。但由于用户的充电行为数据具有隐私性，而当前研究构建的机器学习预测模型中欠缺对这一重要因素的考虑，致使预测精度不高。针对此问题，该文将用户的充电起止时间、充电全时段电池荷电状态、电池容量和用户选择的充电功率等充电行为因素考虑在内，并考虑上述用户行为数据的隐私性需求，提出了计及用户充电行为与隐私保护的联邦学习(federatedlearning,FL)电动汽车短期充电负荷预测方法。通过本地训练、中央聚合的模型训练机制，在保证用户隐私数据安全的前提下实现电动汽车短期充电负荷协同预测。最后，利用某市的多家运营商充电负荷数据对所提方法进行验证，结果表明所提方法在保证用户隐私数据安全的前提下，有效地提升了电动汽车短期充电负荷预测的精度，并具备较好的模型泛化能力。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取