Federated Graph Learning for EV Charging Demand Forecasting with Personalization Against Cyberattacks

在电动汽车（EV）充电需求预测中缓解网络安全风险在集体EV充电的安全运营、电网稳定和成本效益基础设施扩展方面起着至关重要的作用。然而，现有的方法要么存在数据隐私问题和易受网络攻击的问题，要么未考虑不同站点之间的空间相关性。为了解决这些挑战，提出了一种涉及多个充电站的联邦图学习方法，以协作训练更加通用的深度学习模型进行需求预测，同时捕捉各个站点之间的空间相关性并增强对潜在攻击的鲁棒性。首先，为了获得更好的模型性能，利用图神经网络（GNN）模型以联邦方式表征不同充电站之间的地理相关性。其次，为了确保鲁棒性并处理联邦设置中的数据异质性，提出了一种消息传递机制，利用全局注意机制来聚合每个客户的个性化模型。第三，考虑到网络攻击，设计了一种特殊的基于信用的函数，以缓解恶意客户或不必要攻击的潜在威胁。利用各种深度学习技术和联邦学习方法在公共EV充电数据集上进行了广泛的实验，以证明所提出方法的预测准确性和鲁棒性。

论文旨在解决电动汽车充电需求预测中的数据隐私和网络安全问题，提出了一种联邦图学习方法来捕捉不同充电站之间的空间相关性，并增强对潜在攻击的抵御能力。

论文提出了一种联邦图学习方法，利用图神经网络来建模不同充电站之间的地理相关性，并使用全局注意力机制来聚合每个客户端的个性化模型，以确保鲁棒性和处理联邦设置中的数据异构性。

论文进行了广泛的实验，使用各种深度学习技术和联邦学习方法来展示所提出方法的预测精度和鲁棒性。值得关注的是，论文设计了一种信用制度来减轻恶意客户端或不良攻击的潜在威胁。

最近的相关研究包括：'Privacy-Preserving Electric Vehicle Charging Demand Prediction with Federated Multi-View Learning'和'Federated Multi-Task Learning for Electric Vehicle Charging Demand Prediction'。