Föderiertes Lernen verbessert Prognosegenauigkeit für E-Auto-Ladung
Die rasante Entwicklung der Elektromobilität hat nicht nur die Automobilindustrie revolutioniert, sondern auch die bestehenden Energiesysteme vor neue Herausforderungen gestellt. Mit der zunehmenden Verbreitung von Elektrofahrzeugen (EVs) steigt nicht nur die Anzahl der Fahrzeuge auf den Straßen, sondern auch die Nachfrage nach Ladeinfrastruktur und elektrischer Energie. Diese Entwicklung wirft komplexe Fragen zur Netzstabilität, zur Planung von Ladekapazitäten und zur Integration erneuerbarer Energien auf. Eine präzise Vorhersage der kurzfristigen Ladeleistung ist daher entscheidend, um die Versorgungssicherheit zu gewährleisten, Lastspitzen zu vermeiden und eine effiziente Nutzung der bestehenden Infrastruktur zu ermöglichen.
Trotz intensiver Forschung in diesem Bereich bleibt die Prognosegenauigkeit oft unbefriedigend. Ein wesentlicher Grund dafür liegt in der Diskrepanz zwischen den verfügbaren Daten und den Anforderungen an moderne Vorhersagemodelle. Einerseits enthalten die historischen Ladedaten wichtige Informationen über die zeitliche Verteilung der Last. Andererseits sind die tatsächlichen Ladevorgänge stark von individuellen Nutzerverhalten abhängig – Faktoren wie Start- und Endzeitpunkte, der aktuelle Ladezustand der Batterie (SOC), die Batteriekapazität und die vom Nutzer gewählte Ladeleistung. Diese Verhaltensdaten sind jedoch hochsensibel und unterliegen strengen Datenschutzbestimmungen, was ihre zentrale Sammlung und Nutzung für maschinelles Lernen praktisch unmöglich macht.
Genau an diesem Punkt setzt eine bahnbrechende Forschungsarbeit an, die kürzlich in der renommierten Fachzeitschrift High Voltage Engineering veröffentlicht wurde. Ein Team von Wissenschaftlern der School of Electrical and Information Engineering der Tianjin University, geleitet von Professor Yang Ting, stellt eine innovative Lösung vor, die diesen fundamentalen Konflikt zwischen Datennutzung und Datenschutz auf elegante Weise auflöst: ein auf föderiertem Lernen (Federated Learning, FL) basierendes Modell zur Prognose der kurzfristigen Ladeleistung von Elektrofahrzeugen unter Berücksichtigung des Nutzerverhaltens.
Das Konzept des föderierten Lernens, ursprünglich von Google entwickelt, ermöglicht es, künstliche Intelligenz-Modelle zu trainieren, ohne die zugrundeliegenden Rohdaten zentralisieren zu müssen. Im Kern des Ansatzes steht die Idee der dezentralen Datenverarbeitung. Statt alle Ladedaten und Verhaltensinformationen in einem zentralen Server zusammenzuführen, bleibt die sensible Information bei den jeweiligen Datenhaltern – in diesem Fall den Elektrofahrzeug-Ladebetreibern (EVCOs). Jeder Betreiber trainiert lokal auf seinen eigenen Datensätzen ein eigenes Modell. Anschließend werden nicht die Daten selbst, sondern lediglich die aktualisierten Modellparameter – wie Gewichte und Bias-Werte eines neuronalen Netzwerks – an eine zentrale Instanz, beispielsweise ein Stromversorgungsunternehmen (Grid Company, GC), gesendet. Diese zentrale Instanz aggregiert die Parameter aus allen lokalen Modellen, um ein verbessertes globales Modell zu erstellen, das dann wieder an alle Teilnehmer zurückgesendet wird. Dieser Prozess wird über mehrere Runden wiederholt, wodurch das globale Modell kontinuierlich verbessert wird, indem es aus der Vielfalt der lokalen Daten lernt, ohne jemals Zugriff auf die eigentlichen personenbezogenen Daten zu haben.
Die Arbeit von Yang Ting und seinen Kollegen, Qin Xiaobing, Feng Xiangwei und Xu Zheming, hebt sich von früheren Ansätzen dadurch ab, dass sie nicht nur auf historische Ladedaten setzt, sondern explizit die feingranularen Verhaltensdaten in das Modell integriert. Die Forscher argumentieren zu Recht, dass die Ignorierung dieser Faktoren eine der Hauptursachen für die begrenzte Genauigkeit bestehender Prognosemodelle ist. Um diese Informationen nutzbar zu machen, ohne die Privatsphäre zu verletzen, wurde das föderierte Lernen als ideales Werkzeug identifiziert. Die Autoren betonen, dass ihr Ansatz die „Datenlokalität“ gewährleistet – ein zentraler Grundsatz des modernen Datenschutzes, der besagt, dass Daten so lange wie möglich an ihrem Ursprungsort verbleiben sollten.
Das technische Herzstück des vorgeschlagenen Modells ist ein bidirektionales Langzeit-Kurzzeit-Gedächtnis-Netzwerk (BiLSTM). Im Gegensatz zu traditionellen LSTM-Netzwerken, die Sequenzen nur in einer Richtung verarbeiten, kann ein BiLSTM Informationen sowohl aus der Vergangenheit als auch aus der Zukunft eines bestimmten Zeitpunkts nutzen. Diese Fähigkeit ist besonders wertvoll für die Analyse von Zeitreihen wie Ladedaten, da sie komplexe zeitliche Abhängigkeiten und Muster erfassen kann, die ein unidirektionales Modell möglicherweise übersehen würde. Die Eingabedaten für das BiLSTM-Netzwerk werden sorgfältig vorbereitet. Neben der historischen Ladeleistung werden synthetische, aber aussagekräftige Merkmale abgeleitet, die das Nutzerverhalten widerspiegeln. Dazu gehören beispielsweise die gesamte benötigte Ladeenergie zu einem bestimmten Zeitpunkt, die durch die Anzahl der aktiven Nutzer, ihren durchschnittlichen SOC und ihre Batteriekapazitäten bestimmt wird, sowie die durchschnittliche Ladeleistung und der SOC, bei dem Nutzer typischerweise ihre Ladung beenden. Diese Merkmale werden zusammen mit den Ladedaten in ein rollierendes Fenster eingegeben, das dem Modell ermöglicht, kontinuierlich aus den neuesten Informationen zu lernen und seine Vorhersagen dynamisch anzupassen.
Ein besonderer Fokus der Studie liegt auf der Sicherheit der Übertragung. Die Autoren entschieden sich bewusst dafür, nicht die Gradienten, sondern die finalen Gewichte und Bias-Werte der lokalen Modelle zu übertragen. Diese Entscheidung ist strategisch: Gradienten können in bestimmten Szenarien theoretisch dazu verwendet werden, Rückschlüsse auf die ursprünglichen Trainingsdaten zu ziehen (ein sogenannter Rekonstruktionsangriff). Die Übertragung der finalen Parameter hingegen stellt eine stärkere Form der Datenanonymisierung dar, da es extrem schwierig bis unmöglich ist, aus den aggregierten Gewichten die individuellen Ladevorgänge einzelner Nutzer zu rekonstruieren. Dieser zusätzliche Schutzmechanismus stärkt das Vertrauen in das System und unterstreicht die ernsthafte Auseinandersetzung der Forscher mit den ethischen und rechtlichen Aspekten der Datennutzung.
Die Validierung der Methode erfolgte auf einer realen Datengrundlage. Die Forscher verwendeten Ladedaten von neun verschiedenen EVCOs aus einer chinesischen Großstadt, die insgesamt 25.920 Stichproben umfassten und einen kompletten Monat im Dezember 2022 abdeckten. Die Daten wurden in Trainings-, Validierungs- und Testsets aufgeteilt und normalisiert, um eine faire Bewertung zu gewährleisten. Die Leistung des Modells wurde anhand zweier etablierter Metriken bewertet: dem mittleren absoluten prozentualen Fehler (MAPE) und dem Root Mean Square Error (RMSE). Beide Kennzahlen messen die Abweichung zwischen der prognostizierten und der tatsächlichen Ladeleistung; niedrigere Werte bedeuten eine höhere Genauigkeit.
Die Ergebnisse der Experimente sind beeindruckend und unterstreichen die Wirksamkeit des Ansatzes. In einer ersten Vergleichsstudie wurde die Vorhersagegenauigkeit eines Modells, das nur historische Ladedaten nutzte, mit einem Modell verglichen, das zusätzlich die Verhaltensmerkmale einbezog. Die Ergebnisse waren eindeutig: Die Integration von Verhaltensdaten führte zu einer signifikanten Verbesserung der Prognose. Bei einem der Betreiber (C6) sank der RMSE um 5,57% und der MAPE um 0,55%. Diese Ergebnisse belegen eindrucksvoll, dass das Verständnis des Nutzerverhaltens ein entscheidender Faktor für die Genauigkeit von Ladeleistungsprognosen ist.
Noch aussagekräftiger ist der Vergleich zwischen einem rein lokalen Modell und dem föderierten Modell. In diesem Szenario wurde die Leistung eines einzelnen EVCOs analysiert, der nur mit seinen eigenen Daten trainierte, gegenüber der Leistung des globalen Modells, das aus der Zusammenarbeit aller neun Betreiber hervorging. Auch hier zeigte sich ein klarer Vorteil für das föderierte Lernen. Die Verbesserung der RMSE lag zwischen 9,34% und 11,07%, und der MAPE verbesserte sich um 2,13% bis 5,29%. Dieser konsistente Leistungszuwachs über alle Teilnehmer hinweg demonstriert die immense Kraft der kollaborativen Intelligenz. Durch die Aggregation von Wissen aus verschiedenen geografischen und demografischen Kontexten kann das globale Modell Muster erkennen, die für ein einzelnes Unternehmen aufgrund der begrenzten Datenbasis verborgen bleiben würden.
Ein besonders überzeugendes Ergebnis lieferte der Test zur Modellgeneralisierung. Um die Fähigkeit des Modells zu bewerten, auch auf neue, unbekannte Szenarien zu generalisieren, wurde ein zehnter, neuer EVCO (C10) hinzugezogen. Dieser Betreiber verfügte nur über sehr begrenzte historische Daten – lediglich 24 Stunden Ladeaktivität. Wenn er versuchte, ein eigenes Modell nur mit diesen spärlichen Daten zu trainieren, war das Ergebnis katastrophal: Ein RMSE von 65,3 kW und ein MAPE von 19,2% – Werte, die für praktische Anwendungen völlig unbrauchbar sind. Das vortrainierte föderierte Modell hingegen, das auf dem Wissen der neun etablierten Betreiber basierte, konnte auf die Daten von C10 angewendet werden und erzielte eine Prognose mit einem RMSE von 29,4 kW und einem MAPE von 6,8%. Dies entspricht einer Verbesserung von 54,9% beim RMSE und 12,4% beim MAPE. Dieses Ergebnis ist von enormer praktischer Bedeutung: Es bedeutet, dass neue Marktteilnehmer, die gerade erst ihre Ladeinfrastruktur aufbauen, sofort von der kollektiven Intelligenz des gesamten Netzwerks profitieren können. Sie müssen nicht jahrelang Daten sammeln, um genaue Vorhersagen treffen zu können, sondern können von Anfang an auf ein leistungsfähiges Modell zurückgreifen.
Die Implikationen dieser Forschung gehen weit über die technische Leistung hinaus. Sie bietet einen konkreten und ethisch vertretbaren Weg, um die Komplexität der modernen Energiewelt zu meistern. Für Stromnetzbetreiber bedeutet eine präzisere Prognose eine bessere Planung der Erzeugung, eine effizientere Nutzung der Netzkapazitäten und eine erhöhte Stabilität des gesamten Systems. Für Ladebetreiber ermöglicht es eine optimierte Kapazitätsplanung, die Minimierung von Lastspitzengebühren und letztlich eine verbesserte Kundenerfahrung durch kürzere Wartezeiten und zuverlässigere Dienstleistungen.
Darüber hinaus fördert der Ansatz eine neue Form der Zusammenarbeit zwischen verschiedenen Akteuren im Energiesektor. Anstatt in Konkurrenz zueinander zu stehen, können EVCOs durch die Teilnahme an einem föderierten Lernkonsortium gemeinsam an der Verbesserung der Infrastruktur arbeiten, ohne ihre wettbewerbsrelevanten Daten preiszugeben. Dies schafft eine Win-Win-Situation für alle Beteiligten und für die Gesellschaft insgesamt.
Die Arbeit von Yang Ting, Qin Xiaobing, Feng Xiangwei und Xu Zheming markiert einen wichtigen Meilenstein in der Entwicklung intelligenter Energiesysteme. Sie zeigt, dass technologischer Fortschritt und Datenschutz keine gegensätzlichen Ziele sein müssen, sondern durch kluge Systemarchitekturen harmonisch vereint werden können. Ihr Modell ist nicht nur ein technisches Werkzeug, sondern auch ein ethisches Statement: Es beweist, dass es möglich ist, aus Daten zu lernen und wertvolle Erkenntnisse zu gewinnen, ohne die Privatsphäre der Einzelnen zu opfern. In einer Zeit, in der das Thema Datensicherheit zunehmend in den Vordergrund rückt, ist dieser Ansatz nicht nur innovativ, sondern auch notwendig.
Yang Ting, Qin Xiaobing, Feng Xiangwei, Xu Zheming, School of Electrical and Information Engineering, Tianjin University. High Voltage Engineering, DOI: 10.13336/j.1003-6520.hve.20230765