연합 그래프 학습 기반 전기차 충전 수요 예측
전기차(EV) 충전 수요 예측에서 사이버 보안 위험을 완화하는 것은 집단 충전의 안전한 운영, 전력망 안정성, 비용 효율적인 인프라 확장에 매우 중요합니다. 기존 방법들은 데이터 프라이버시 문제와 사이버 공격에 대한 취약성을 가지거나, 충전소 간의 공간적 상관관계를 고려하지 못하는 한계가 있었습니다. 본 연구는 이러한 문제들을 해결하기 위해 다수의 충전소가 참여하는 연합 그래프 학습(Federated Graph Learning) 접근 방식을 제안합니다. 이 방식은 공간적 상관관계를 포착하고 잠재적 공격에 대한 견고성을 강화하면서, 수요 예측을 위한 일반화된 딥러닝 모델을 협력적으로 훈련합니다. 특히, 연합 방식으로 그래프 신경망(GNN)을 활용하여 충전소 간의 지리적 상관관계를 특성화하고, 전역 어텐션 메커니즘을 사용하는 메시지 전달을 통해 데이터 이질성과 견고성을 확보합니다. 또한, 사이버 공격에 대응하기 위해 악성 클라이언트나 원치 않는 공격의 위협을 완화하는 신용 기반 함수를 설계했습니다. 공개 EV 충전 데이터셋에 대한 광범위한 실험을 통해 제안된 접근 방식의 예측 정확도와 견고성을 다양한 딥러닝 및 연합 학습 기법과 비교하여 입증했습니다. 이 연구는 EV 충전 수요 예측의 정확성과 보안성을 동시에 향상시켜, 스마트 도시 인프라의 안정적 운영과 지속 가능한 발전에 기여할 것으로 기대됩니다.