这篇论文介绍了一种电动汽车充电站（EVCS）模型，它考虑到现实世界的约束条件，如插槽功率限制、合同阈值超过惩罚或电动汽车（EVs）的早期断开连接。我们提出了一个对 EVCS 控制问题的不确定性建模，并实施了两种多级随机规划方法，利用用户提供的信息，即模型预测控制和两阶段随机规划。该模型解决了充电会话开始和结束时间以及能源需求的不确定性。基于停留时间相关的随机过程的用户行为模型提高了成本降低同时保持客户满意度。通过使用真实数据集进行为期 22 天的模拟，展示了两种提出的方法与两种基准的优势。考虑到更多的不确定性情景进行优化，两阶段方法表现出对早期断开连接的鲁棒性。优先考虑用户满意度而非电力成本的算法在两个用户满意度指标上相对于行业标准基准提高了 20% 和 36%。此外，在实现理论上的最佳基准时，该算法在成本和用户满意度之间达到了 94% 和 84% 的用户满意度表现，并仅出现 3% 的相对成本增加 - 放宽了无先见性约束。

Feb, 2024

本文通过综合考虑电压规律成本和保护装置升级等实际方面，在城市系统规划中探讨了电动汽车的充电站布局问题。通过逐步添加限制条件，我们的敏感度分析以及数值结果证明了该方法具有普遍适用性和小的近似误差，并揭示了不同城市之间不同因素的权衡关系。同时，本研究唯一的发现是在充电站的城市系统规划中，考虑到保护装置升级的重要性。

Aug, 2018

气候变化、电动汽车、充电站、用户满意度和最大流问题是这篇研究论文的主要关键词和主题。

Dec, 2023

本文提出了一个多视图学习框架，使用了 CCA 模型对候选站点进行需求预测，并使用混合填充和覆盖优化框架来解决服务提供商和电动汽车用户之间的竞争关系，通过交替调用背包和集合覆盖算法来解决这些问题，该模型制定的方案使用真实世界数据进行了评估。

Apr, 2016

该论文提出了一种名为 PAG 的新方法，通过图形和时间注意机制实现特征提取，并在模型预训练阶段使用物理知识引导元学习，以应对训练准确且可解释的预测模型的新挑战，从而实现电动汽车充电需求的准确预测和适应于价格波动引起的充电需求的变化的能力。

Sep, 2023

本文使用深度强化学习方法针对城市区域优化充电站的安置位置与数量，以达到最大化电动车充电设施供应，最小化等待、行程和充电时间，并考虑在家中充电，通过实例实验证明本文方法可以增加电动汽车充电计划的效益，减少等待时间，提高收益，相较于现有基础设施，等待时间可以降低到 97％，收益可以增加达到 497％。

Jun, 2022

开发一种基于 QoE 指标的评估框架，通过机器学习模型和数据集预测未来长期的电动汽车充电需求，以实现可靠的可持续充电基础设施扩展。

Dec, 2023

通过网络挖掘数据，本文提出一种可解释的模型来研究不同兴趣点距离充电站的影响，帮助城市规划师寻找电动汽车充电站的有效位置。

Mar, 2022

这篇论文提出了一个新的决策为中心的端到端框架，将模型学习阶段中的预测误差和下游优化成本误差相结合，用于准确预测充电需求并优化充电站功率分配策略，实验证明该框架能够提供更可靠的预测模型，从而在仅有少量训练样本的情况下实现更有效的成本节约和充电站运营目标优化。

Apr, 2024

本研究提出了基于正则化 Actor-Critic 算法的电动汽车充电推荐方法，该方法可为私人电动汽车驾驶者提供个性化、资源感知的充电推荐服务，并在实际数据集上表现出对比方法所不具备的优越性能，可为缓解电动汽车驾驶者的续航焦虑提供一种成本效益的解决策略。

Oct, 2022