基于区块链的完全去中心化稳定联邦学习充电站负荷预测方法：兼顾隐私与安全性

《Sustainable Computing: Informatics and Systems》：Blockchain-based Fully Decentralized Stable Federated Learning Charging Station Load Forecasting Method for Privacy and Security

准确充电站负荷预测对缓解电网压力至关重要，但传统集中式方法存在隐私泄露风险。本文提出区块链辅助的联邦学习框架，通过动态角色分配实现去中心化模型聚合，结合TCN-LSTM混合模型捕捉时空特征，并引入模型验证机制防范攻击，有效保障数据隐私的同时提升预测精度和系统鲁棒性。

　　

张龙|姜玉莲|穆云飞|王申权|李阳

中国长春工业大学电气与电子工程系，长春

摘要

在充电站（CSs）进行准确的充电负荷预测对于缓解大规模电动汽车（EV）整合对电网的影响至关重要。然而，现有的集中式预测方法依赖于CSs和EVs之间的数据共享，这引发了严重的隐私和数据泄露问题。为了克服这些限制，本文提出了一种稳定且高效的全去中心化区块链辅助的联邦学习（FL）方法来进行CS负荷预测，确保数据隐私和安全性。首先，开发了一个基于FL的隐私保护预测框架，在该框架中，CSs通过交换模型参数而不是原始数据来协作训练全局模型。每个CS采用了一种混合深度学习模型，该模型结合了时间卷积网络（TCN）和长短期记忆（LSTM）网络，以捕捉充电负荷数据中的局部时间模式和长期依赖性，同时保持低通信开销和高并行性。其次，为了消除与集中式服务器相关的单点故障，设计了一种基于区块链的分布式聚合机制，在每轮训练中将模型聚合任务动态分配给一部分CSs。此外，引入了一种模型验证算法来识别和丢弃低质量或恶意的更新，从而进一步减轻了中毒攻击，并增强了系统的鲁棒性和安全性。最后，广泛的实验表明，所提出的方法在各种条件下都能实现更优越的预测准确性和鲁棒性能，同时有效保护了CS负荷数据的隐私和安全性。

引言

随着传统能源资源的枯竭和全球环境挑战的加剧，电动汽车（EV）由于其在节能和减排方面的优势而迅速发展[1]。近年来，中国的EV数量稳步增长，预计到2030年将超过8000万辆[2]。然而，EV的大规模普及以及用户充电的随机性给电力系统运营带来了新的挑战，特别是在充电站（CS）负荷的不确定性、隐私性和安全性方面[3],[4]。这些挑战对现代电网的安全稳定运行提出了更高的要求。

作为智能电网的关键组成部分，CS负荷预测受到了广泛关注。准确和安全的充电负荷预测不仅支持CS的安全高效运行，还为电网调度、基础设施扩展和充电网络优化提供了必要的决策支持。与工业、住宅或商业负荷等传统负荷相比，EV充电负荷表现出更强的波动性和不确定性。这些特性源于单个充电器的功率限制以及用户充电的高度随机性[5]。住宅或公共站点的充电偏好与个人出行模式密切相关，导致显著的空间和时间负荷不平衡[6]。此外，天气条件、交通流量、节假日和电价等外部因素进一步放大了EV充电需求的随机性，可能引起大规模负荷波动和电网压力[7]。因此，能够考虑个体充电行为的准确CS负荷预测对于安全电网运行是不可或缺的[8]。

传统的CS负荷预测方法，包括机器学习（ML）模型，通常以集中式方式进行训练。需要收集大量数据，并由数据中心或云平台进行处理。然而，集中式数据聚合往往涉及敏感的个人信息，如个人出行轨迹和充电习惯[9]，这引发了严重的隐私问题，并阻碍了参与者之间的数据共享[10]。因此，在实际部署CSs时，确保数据隐私和足够的可用性同时保持高预测准确性变得越来越具有挑战性。

近年来，深度学习（DL）技术因其强大的建模非线性时间依赖性和复杂模式的能力而被广泛应用于负荷预测[11],[12]。Wang等人提出了BDOP-GMM-SMOTE方法，生成了更高质量的少数样本，并实现了比传统基于SMOTE的方法更高的诊断准确性[13]。然而，基于DL的集中式预测对于EV充电来说仍然不切实际，因为个体级别的充电数据通常包含高度敏感的个人信息[14]。

联邦学习（FL）是一种有前途的解决方案，它通过允许在不共享原始数据的情况下进行本地模型更新来保护隐私。它已成功应用于各种预测任务，并保持了数据隐私[15],[16],[17]。然而，大多数现有的FL框架仍然依赖于集中式聚合服务器，这引入了固有的安全风险，如单点故障和易受恶意或低质量本地更新的影响[17],[18]。特别是，受损或不可靠的参与者可能会上传有缺陷的模型参数，严重降低全局模型的收敛性和预测准确性。这些限制突显了需要一个更加鲁棒和可信的去中心化FL框架。

为了解决上述挑战，本文将区块链技术引入FL框架，构建了一个完全去中心化的CS负荷预测系统。在每轮训练中，参与的CSs被动态分配不同的角色，模型训练、验证和聚合任务分布在多个站点之间。这种基于角色的机制使得无需依赖集中式服务器即可实现协调合作，从而增强了系统的鲁棒性、安全性和可信度。本文的主要贡献总结如下。

•

隐私保护负荷预测方法：开发了一种基于FL的CS负荷预测方法，以实现准确预测的同时保护数据隐私。采用混合TCN–LSTM模型进行本地训练，仅在参与者之间交换模型参数，避免传输原始充电数据。

•

完全去中心化系统架构：进一步提出了一个基于区块链的FL框架，以消除集中式聚合并防止由于单点攻击导致的系统故障。然后通过动态角色分配和完全去中心化聚合显著提高了预测系统的鲁棒性和安全性。

•

模型验证和激励机制：设计了一种模型验证机制，以进一步过滤低质量或恶意更新并减轻模型中毒攻击。此外，引入了一种基于贡献的激励机制，以鼓励积极参与，促进诚实行为，并确保系统的可持续运行。

部分摘录

CSs的负荷预测技术

现有的CSs负荷预测方法通常可以分为模型驱动和数据驱动两类[19]。模型驱动方法，也称为参数化方法[20]，主要包括时间序列模型、线性回归和卡尔曼滤波技术。在美国，自回归积分移动平均（ARIMA）模型被用于预测大规模EV充电负荷[21]。然而，这些方法通常依赖于简化的假设，难以捕捉

联邦学习

在“数据孤岛”问题中，数据由不同组织拥有，由于隐私和安全问题而难以轻易聚合，FL使多个参与者能够协作构建一个共享的高性能模型，同时确保用户隐私和数据保密性。FL中每个数据方的损失函数表示为$F_i\left(w_i\right)$，模型参数更新为$?F_i\left(w_i\right)$，然后每个数据方训练本地模型参数$w_i$$w_i$，然后

问题陈述

在基于FL的CS负荷预测方法中，充电负荷预测模型的训练需要稳定且高效。FL使用集中式方法处理模型参数，中央服务器的质量直接影响模型训练的稳定性。如果中央服务器发生故障或受到攻击，将中断模型训练，导致单点故障问题。同时，集中式FL还面临高通信负载和低网络带宽的问题

实验设置和指标

所有实验都在配备NVIDIA GeForce RTX 4090D GPU和Intel? Core? i9-14900KF CPU（3.20 GHz）的系统上进行。基本设置在表3中展示。我们提出的充电负荷预测系统的基本信息在前四行，训练TCN-LSTM预测模型的基本设置在最后五行。

历史充电负荷数据来自Palo Alto EV充电站（CS）数据集，该数据集记录了EV的实际使用模式

结论

本文提出了一种基于区块链的完全去中心化和稳定的联邦学习（FL）方法，用于充电站（CS）负荷预测，同时保护了数据隐私和安全性。设计了一个具有动态角色分配的联盟区块链，并支持分布式模型训练、验证、聚合和链上记录。这样就有效消除了集中式FL系统固有的单点故障问题，提高了整个系统的

未引用的参考文献

[30]

CRediT作者贡献声明

李阳：写作 – 审稿与编辑，监督，资源提供。穆云飞：写作 – 审稿与编辑，监督，资源提供，资金筹集。王申权：写作 – 审稿与编辑，监督，资源提供，资金筹集。张龙：写作 – 原始草案，软件开发，数据整理，概念化。姜玉莲：写作 – 审稿与编辑，监督，方法论，概念化。

利益冲突声明

作者声明他们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

本研究得到了中国国家自然科学基金（62273058）、吉林省发展和改革委员会工业技术与发展专项项目（2024C008-2）以及广东省基础与应用基础研究基金（2023A1515110335）的资助。