基于元学习时空状态初始化的电动汽车充电需求联邦预测

《Energy》：Federated Forecasting of Electric Vehicle Charging Demand with Meta-Learned Spatiotemporal State Initialization

　　

- 一个联邦框架预测跨区域的城市电动汽车充电需求；
- 元学习先验生成节点专属的循环初始状态；
- 多模态特征和图拓扑指导客户端分区；
- 相对于FedAvg的平均配对增益在MAE上为2.18-3.56%，在RMSE上为2.65-3.72%；
- 精度与集中数据训练相当，同时原始记录保留在各客户端本地。

## 引言

电动汽车在全球范围内被快速采用，使日益增长的出行能源需求转向电网。预计到2026年，全球电动汽车销量将超过轻型车市场的20%，道路上约有1.16亿辆电动汽车 [1]。在中国，持续的充电基础设施补贴推动了电动汽车的快速但空间不均的扩散，预计到2030年渗透率将接近80%，且增长重心正日益从城市核心区向郊区转移 [2]。这种快速增长对供需两侧都提出了重大挑战。对于电网运营商而言，高峰时段集中充电可能导致负荷失衡、能源短缺和安全风险。Chen等人 [3] 表明，这种空间不均的充电行为会在耦合的微电网系统中传播不平衡，随着分布式可再生能源并网和双向车网互动（V2G）充电的扩展，这种耦合变得更加重要 [4]，[5]。对于个人用户而言，实时充电需求与站点容量的不匹配导致拥堵和服务质量下降。因此，准确的短期电动汽车充电需求预测对于电网运行、需求侧管理和充电基础设施规划至关重要。

这项任务的核心挑战在于捕捉城市充电网络中固有的复杂空间和时间依赖性 [6]，[7]。早期的学习方法依赖于统计或概率时间序列模型，如马尔可夫链蒙特卡洛 [8] 和ARIMA [9]，但在捕捉充电行为典型的非线性和非平稳模式方面存在局限 [10]。除了纯时间序列建模外，随机过程模型也被用于刻画车队与充电基础设施的耦合动力学，如Zhang等人 [11] 在道路拥堵效应下对出租车和公交车队与公共充电站及换电站的交互进行建模。循环架构，包括RNN [12]、LSTM [13] 和GRU [14]，提高了对充电需求中复杂时间依赖性的建模能力；Transformer进一步增强了该领域长程时间依赖关系的建模 [15]。为了考虑充电站或区域之间的空间相关性，图神经网络通过将近似度作为边、将站点或交通分析区作为节点，实现了在非欧几里得结构上的特征学习 [16]。近期工作从交通领域借鉴了基础时空架构，包括STGCN [17]、DCRNN [18] 和Graph WaveNet [19]，以适应电动汽车充电数据的独特特征。近期工作也开始利用预训练模型来实现异构信息的更丰富融合；例如，EV-STLLM [20] 通过低秩适应将预训练大语言模型适配到联合建模时间、空间和上下文特征的区域级充电需求预测中。尽管有这些进展，大多数方法假设集中训练和完整数据访问，这在数据分布于各运营商或管理实体之间的城市规模系统中并不切实际。

除此之外，集中训练往往掩盖了城市区域间特征分布的异质性，难以评估个别数据模态（如街景属性、充电模式、城市形态）如何对预测质量做出贡献。Rashid等人 [21] 将电动汽车预测特征分为车辆、出行、充电、天气及其他类别。其中，车辆和出行特征提供了丰富的行为细节，但在隐私约束下难以获取且敏感 [22]，而充电记录更易获得，因此被更广泛采用 [23]。补充特征包括天气 [24]、建成环境属性 [25] 以及其他上下文变量，如电动汽车拥有量或停车费 [26]。然而，多样的特征来源产生的高维冗余输入可能引入噪声，反而降低预测性能而非提升 [27]。

这两个局限性都指向了一种将数据保留在持有它的客户端、并将城市区域视为不同的而非可互换的训练范式。联邦学习提供了一种在分布式模型训练中不交换原始数据的可行方案 [28]，[29]，[30]，并越来越多地被探索用于交通应用 [31]，[32]，[33]。除了隐私动机外，联邦学习还提供了一个原则性框架，用于研究当训练数据在非独立同分布（non-IID）的城市区域间分割时预测性能如何受到影响。联邦学习协议FedAvg [34] 及相关异质性感知变体，如FedProx [35] 和FedPer [36]，部分缓解了non-IID效应，但未显式学习适应就绪的初始化以供客户端特定优化。元学习通过解决这一问题，学习定位为可快速调整以适应客户端特定分布的参数。MAML [37] 提出了一个双层优化，其中内环使用支持集适应任务，外环优化初始化以使适应后的模型在查询集上泛化。应用于联邦学习时，FedMAML [38] 直接传输元梯度会遭受信号衰减，因为元梯度通过内环计算图计算并在客户端间平均。Per-FedAvg [39] 通过在每个客户端本地评估MAML风格目标同时保留标准服务器聚合来解决这一问题，相关的一阶联邦元学习最近也被应用于充电站占用率预测 [40]。

然而，循环状态初始化呈现了一个不同的适应机会。在传统的LSTM预测中，隐藏状态和细胞状态通常在每个输入窗口开始时重置为零，因此编码器无论节点及其近期运行条件如何，都从相同的无上下文状态开始。我们将这种无上下文的循环初始化称为循环状态冷启动。一个概念上相关的想法出现在推荐系统中，其中元学习为冷启动用户和物品生成有信息的初始表示 [41]，[42]。这启发了一种针对性策略，即将元学习应用于循环状态初始化，使编码器能够以基于局部静态上下文和近期充电统计的状态开始每个预测窗口。这种上下文条件化的状态初始化尚未被显式纳入上述联邦时空预测建模方法中。

为解决这些不足，本研究提出了一种用于城市电动汽车充电需求预测的联邦时空框架，以上下文条件化循环初始化补充个性化骨干优化。该框架采用GCN-LSTM-GAT骨干，配合个性化联邦优化（Per-FedAvg）和解耦的元学习状态先验生成器（Meta-）。该生成器将静态城市上下文和近期时间统计映射为节点和窗口特定的LSTM初始隐藏状态和细胞状态，并通过涉及状态空间适应的专用支持-查询目标进行训练。在预测时，这些状态从本地可用输入生成，无需额外的梯度更新。混合特征-地理分区策略利用多模态城市描述符和图拓扑构建异构客户端子图，同时在联邦优化期间原始训练样本保留在本地。本工作的主要贡献总结如下：

（1）我们引入了Meta-，一种用于上下文条件化循环状态初始化的解耦元学习机制。其专用目标结合了支持集拟合与状态空间适应后的查询性能，这扩展了参数级个性化，并提供了从局部上下文到初始隐藏状态和细胞状态的显式学习映射。

（2）我们开发了一种混合特征-地理客户端分区策略，结合多模态城市描述符的语义聚类与连通性和客户端规模约束，取代联邦智能电网预测中常见的Dirichlet或随机分区。所生成的分区提供了数据驱动的异构客户端所有权代理，同时为客户端本地图学习保留了邻域连接。

（3）我们通过重复种子预测比较、配对统计分析以及针对性机制干预来评估该框架。与纯Per-FedAvg的比较量化了Meta-的增量贡献，在三个小时预测窗口下，三个训练种子中均观察到平均配对MAE和RMSE约3.40%的降低。

本文其余部分组织如下：第2节介绍初步知识和方法。第3节实验、第4节讨论报告实验结果、特征贡献分析和模型在不同条件下行为的进一步讨论。第5节总结全文。

## 方法

基于上述识别的不足，我们开发了一个用于多时间尺度、TAZ级电动汽车充电需求预测的联邦预测框架，无需将原始数据在各客户端间汇总。该框架通过个性化双层优化来适应非独立同分布的客户端异质性，同时从静态城市上下文和近期时间统计提供上下文条件化的LSTM初始状态。以下章节形式化预测问题并详述

## 研究区域与数据集描述

我们在UrbanEV [44] 上评估模型，这是一个针对深圳的开源电动汽车充电需求数据集，深圳是车辆电动化的先驱城市，拥有完整的电动汽车生态系统 [45]。原始数据集包含从2022年9月到2023年2月的一小时分辨率聚合站点级电动汽车充电数据，共4,344个时间戳，通过高德地图API获取的POI数据，以及通过百度API获取的街景图像。更具体地说，充电站分布覆盖275个TAZ。

## 本地适应性：训练后重新校准下的鲁棒性

进行了事后适应分析，以检查训练好的模型如何响应本地重新校准。FedAvg和Per-FedAvg+M均在 下使用种子42的验证选择检查点进行评估。两种方法均使用仅来自训练期的相同客户端本地支持数据，并在完整测试集上评估。呈现了五种速率分析中的两种设置，以说明相对保守的微调（）和更激进的本地重新校准（）。

## 结论

本文提出了一种在异构分布式数据条件下用于城市电动汽车充电需求预测的联邦时空预测框架。所提出的方法结合了GCN-LSTM-GAT时空骨干、Per-FedAvg双层优化和解耦的元学习状态先验生成器（Meta-），该生成器基于静态城市上下文和近期时间统计产生节点特定的LSTM初始状态。生成器独立于骨干单独优化。

## CRediT作者贡献声明

Xiao Li：写作-审阅与编辑、验证、监督、项目管理、资金获取、概念化。Yuchen Yang：写作-原稿、可视化、方法论、调查研究、形式分析、数据整理、概念化。

## 利益声明

无

## 竞争利益声明

? 作者声明没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

## 致谢

资金支持：本研究得到香港理工大学新进员工启动基金支持[项目编号P0059271]。

Yuchen Yang | Xiao Li