电动汽车充电站最优位置的最大流量模型
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
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
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
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
本文针对电动汽车普及带来的电力网承载压力问题,提出了一种面向大规模网络化电动车充电站的预定管理程序,运用数据驱动的优化框架,结合深度学习和近似算法技术,实现电动车用户总体福利最大化,有效提高电网稳定性和效率,取得了比两种典型调度算法更好的效果,为进一步探索奠定了基础。
May, 2023
本文提出了一个名为 Master 的框架,它采用深度强化学习方法,以智能化的方式推荐公共可用的电动汽车充电站,并联合考虑各种长期时空因素,包括充电基础设施、未来潜在的充电竞争等等。经过广泛的实验评估,Master 相对于九个基准方法具有最佳的综合性能。
Feb, 2021
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
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
本文提出一种创新的电动汽车充电需求估算和分段方法,利用基于蜂窝信号数据的邻域细度估算充电需求,并提出一种基于城市兴趣点的分割模型来确定正常、半快、快速充电技术之间的总充电需求的分配,该方法是一种最前沿的方法,可用于城市规划,最后以布鲁塞尔市为例进行了案例研究。
Jun, 2022