Data-Driven Planning of Plug-in Hybrid Electric Taxi Charging Stations in Urban Environments: A Case in the Central Area of Beijing
插电式电动汽车（PEV）可以应对能源和环境挑战。在不同类型的PEV中，插电式混合动力电动出租车（PHEV）走在了前面。基于北京市出租车出行数据，提出了一种基于GPS的PHET充电需求时空预测方法。然后，利用充电需求预测结果，建立混合整数线性规划（MILP）模型，对北京中心城区PHET充电站进行规划。该模型综合考虑了充电站服务半径、充电需求满足度和充电机合理占用率等因素，使所有PHET充电站的投资成本和运营成本最小。最后，通过仿真对规划方法进行了数值验证，并根据仿真结果对分析进行了补充。
2017-07-22 math.OC
Intelligent Charging Management of Electric Vehicles Considering Dynamic User Behavior and Renewable Energy: A Stochastic Game Approach
快速增长的电动汽车（EV）数量的不协调充电以及与可再生能源相关的不确定性可能构成交通系统中的电动移动性（E-Mobility）的关键问题，特别是在高峰时段。为了克服这种可怕的情况下，我们引入了一个随机对策来研究电网和充电站之间的复杂的相互作用。在这种情况下，现有的研究没有考虑到客户对收费参数的偏好的动态。然而，实际上，充电参数的选择可以随时间变化，因为客户可以改变他们的充电偏好。我们用另一种随机对策来模拟顾客的这种行为。此外，我们定义了一个服务质量（QoS）指标，以反映如何收费过程中影响客户的收费参数的选择。我们还开发了一个在线算法，以达到纳什均衡的随机对策。然后，我们利用加州独立系统运营商（CAISO）的真实数据来评估我们所提出的算法的性能。结果表明，与基准方法相比，所提出的方法可以节省约20%的电力成本，同时也产生了更高的QoS方面的收费和等待时间。我们的研究结果可以作为指导充电服务提供商在不确定性下做出有效的决策，相对于可再生能源发电。
2020-06-29 cs.SY eess.SY math.OC
Unsplittable Load Balancing in a Network of Charging Stations Under QoS Guarantees
由于以电动汽车（EV）为代表的新的大负荷的增加以及由于可再生能源的并入而导致的更间歇性的供应，电网的运行变得更加紧张。因此，协调和控制快速充电站网络中的预计EV需求成为一个关键且具有挑战性的问题。在本文中，我们引入了一个基于博弈论的分散控制机制，以减轻电动汽车需求的负面影响。建议的机制考虑到电动汽车的非均匀空间分布，导致每个充电设施的电力需求不均匀，并旨在：（i）通过提供价格激励来避免使电网资源紧张，使得客户接受被路由到不那么繁忙的站，（ii）通过用相同数量的电网资源服务更多的客户来使总收入最大化，以及（iii）以一定的服务质量（QoS）水平向客户提供计费服务，后者被定义为长期客户阻塞概率。我们研究了三种逐渐接近现实世界设置的复杂性增加的情况。所获得的结果表明，所提出的框架导致在上述目标方面的性能大幅改善，相比目前的事态。
2014-09-20 cs.NI math.OC
Solving Overstay in PEV Charging Station Planning via Chance Constrained Optimization
目前，公共插电式电动汽车（PEV）充电站的使用率仅为15%。在另外85%的时间内，充电器空闲或被完全充电的PEV占用。策略性地将一辆充满电的PEV切换到另一辆等待充电的PEV，我们称之为交换，是提高充电站利用率的不可或缺的措施。本文研究了考虑策略性立交的纯电动汽车充电站规划问题，这在文献中还没有得到很好的研究。目的是提高利用率，同时降低基建投资和运行成本。提出了一种新的电力/能源聚合模型的立交运营和机会约束规划模型的公共充电站与客户需求的不确定性与立交开发。数值实验表明了该方法的有效性。仿真结果表明，引入策略性互通式立体交叉运营，可以显著减少充电站数量，提高利用率和经济效益。
2019-01-21 math.OC
Electric Vehicle Scheduling with Capacitated Charging Stations and Partial Charging
本文考虑了电动汽车在公共交通系统的调度。我们的主要创新是考虑到充电站容量有限，同时也考虑了部分充电。为了解决这个问题，我们扩展了一个基于连接的网络，以跟踪车辆的充电状态和充电行为的模型。然后，我们制定的电动汽车调度问题作为一个基于路径的二进制程序，其线性松弛，我们解决列生成。我们发现整数可行解使用两个算法：价格和分支和截断列生成，包括加速策略。我们测试的方法使用的特许权Gooi en Vechtstreek在荷兰的数据，包含多达816次。截断列生成优于其他启发式算法，并在28小时的计算时间内解决了整个让步，最优性差距小于3.5%。
2022-07-29 math.OC
Charging station optimization for balanced electric car sharing
这项工作的重点是为单向电动汽车共享计划寻找充电站的最佳位置。在车辆共享计划中，通常需要服务人员重新定位车辆，以纠正网络中的不平衡。我们根据交通流量的估计，策略性地设置充电站，以限制车辆迁移的需要。一个混合整数线性规划制定了大量的潜在充电站的位置。一个列生成的方法，找到一组最佳的位置，我们的问题的连续放松。使用真实的交通和地理信息系统位置数据的数值实验结果表明，我们的配方显着增加了整个网络的平衡流量，而我们的列生成技术被发现产生一个优越的解决方案，在更短的计算时间相比，解决所有可能的车站位置的原始配方。
2018-11-29 math.OC
Incorporating time-dependent demand patterns in the optimal location of capacitated charging stations
如今，电动汽车的大量使用被认为是可持续交通政策的关键要素，充电站的可用性是其广泛使用的关键问题。城市地区的充电站必须以这样的方式部署，即它们可以满足可能在空间和时间上发生巨大变化的需求。在本文中，我们提出了一个最优化模型的充电站的位置，考虑到该问题的主要特点，特别是不同的充电技术，其相关的服务时间，以及事实上，需求取决于空间和时间。为了衡量在最优化模型中纳入时间依赖性的重要性，我们还提出了一个更简单的模型，该模型扩展了经典的位置模型，并且不包括时间维度。最坏情况下的分析和广泛的计算实验表明，忽略时间维度的问题可能会导致大量的未满足的需求。
2023-01-12 math.OC
Charging Autonomous Electric Vehicle Fleet for Mobility-on-Demand Services: Plug in or Swap out?
本文通过排队论模型和双层优化框架比较插充与换电在电动自动驾驶按需出行系统中的优劣，揭示充电技术演进对基础设施布局和平台利润的差异化影响。
2023-10-31 math.OC
Planning Charging Stations and Service Operations of Dockless Electric Micromobility Systems
针对无桩电动微出行服务的充电站模式挑战，构建空间排队网络模型并结合约束非线性规划优化多类运营决策，验证了模型准确性与充电站模式的优势，且模型可拓展应用于其他场景。
2024-03-24 math.OC
A Page-Rank-like Approach to Optimal Placement of Charging Stations in a Warehouse
本文提出一种受Page-Rank启发的图模型方法，用于在仓库中为电动叉车车队确定充电站的最优位置，并可扩展至考虑电池充电状态等复杂标准。
2024-06-24 math.OC
Risk-Averse Joint Capacity Evaluation of PV Generation and Electric Vehicle Charging Stations in Distribution Networks
随着分布式发电（DG）和电动汽车（EV）的日益普及，需要一种有效的方法来估计连接到配电系统的可达容量，但DG输出和EV充电负荷的外生不确定性使其具有挑战性。提出了一种具有风险阈值设置功能的光伏发电和电动汽车充电站联合容量评估方法。该方法在数学上表示为分布鲁棒联合机会约束规划模型。采用最坏情况条件风险价值（WC-CVaR）近似和基于半定规划（SDP）的迭代算法求解模型。最后，在IEEE 33节点辐射状配电系统上进行了数值试验。
2017-07-22 math.OC
A Two-Stage Stochastic Optimization Model for the Equitable Deployment of Fixed and Mobile Electric Vehicle Charging Stations
The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；Missouri University of Science and Technology（密苏里科技大学）
本文提出了一种两阶段随机优化模型，用于优化固定和移动电动汽车充电站的部署，以提高充电基础设施的公平性和效率。
2026-02-02 math.OC
Dynamic Pricing and Energy Management Strategy for EV Charging Stations under Uncertainties
本文提出了一种电动汽车充电服务提供商的动态定价和能源管理框架。服务提供商在制定充电价格时面临三个不确定性：批发电价的波动性、可再生能源发电的间歇性和电动汽车充电需求的时空性。我们的主要工作目标是帮助充电服务提供商提高总利润，同时提高客户满意度，保持电网稳定性，并考虑到这些不确定性。我们采用线性回归模型来估计每个充电站的电动汽车充电需求，并介绍了客户满意度的定量测量。贪婪算法和动态规划（DP）算法被用来获得最优的充电价格，并确定有多少电力从批发市场购买在每个规划视野。仿真结果表明，DP算法实现了增加利润（高达9%）相比，贪婪算法（基准算法）在某些情况下。此外，我们观察到，将低成本储能集成到系统中不仅可以提高利润，还可以平滑充电价格波动，保护终端客户免受波动的批发市场的影响。
2018-01-09 econ.EM eess.SP math.OC
Distributed Charging Control of Electric Vehicles Using Online Learning
提出了一种基于在线学习和在线凸优化的电动汽车分布式充电控制算法。文献中的许多分布式充电控制算法隐含地假设配电公司和EV客户之间的快速双向通信。这种假设目前是不切实际的，并引起了隐私和安全问题。我们的算法不使用这个假设，但是，代价是收敛到最优解的速度较慢。所提出的算法需要单向通信，这是通过分销公司发布前几天的定价配置文件来实现的。我们提供了算法的收敛性结果，并通过数值例子说明结果。
2015-07-25 math.OC
Dynamic charging management for electric vehicle demand responsive transport
随着气候变化的挑战，运输网络公司开始扩大其车队，以减少二氧化碳排放。然而，这样的生态转型带来了新的研究挑战，动态电动车队充电管理下的不确定性。在这项研究中，我们解决了共享乘车服务与公共充电站的动态充电调度管理。提出了一种滚动时域框架下的两阶段充电调度优化方法，通过预测未来公共充电站的可用性，最大限度地减少车队的总体充电运营成本，包括车辆的访问时间，充电时间和等待时间。充电站占用率预测基于混合LSTM（长短期记忆）网络方法，并集成到所提出的在线车辆充电器分配中。所提出的方法适用于现实的模拟研究，在城市的邓迪，英国。数值研究表明，所提出的方法可以减少48.3%的车队的总充电等待时间和总充电量的能量的车队相比，基于需求的充电参考政策的35.3%。
2022-09-22 math.OC
Optimal fast charging station locations for electric ridesharing service with online vehicle-charging station assignment
电动共享移动服务需要处理充电基础设施规划并管理其日常充电操作，以最大限度地减少总充电操作时间和成本。然而，现有的研究倾向于单独解决这些问题。提出了一种新的在线车辆充电分配模型，并将其集成到使用电动汽车的动态拼车服务的快速充电定位问题中。后者被制定为一个双层最优化问题，以尽量减少车队的日常充电操作时间。提出了一种代理辅助优化方法，有效地解决了组合最优化问题。该模型在卢森堡的一个现实的灵活的巴士服务进行测试。结果表明，提出的在线充电策略可以有效地减少车队的充电延迟相比，国家的最先进的方法。通过安装10个额外的直流快速充电器，在测试场景下应用在线充电策略时，充电操作时间可减少27.8%。
2020-10-12 eess.SP math.OC
Driver-aware charging infrastructure design
公共充电基础设施在促进私人交通部门的发展方面发挥着至关重要的作用，特别是在城市地区。在此背景下，我们开发了一个新的数学模型的电动汽车在城市中的公共充电站的优化布局。虽然现有的方法强烈地聚合交通信息或仅适用于小的实例，我们制定了一个特定的组合最优化问题的问题，结合个人需求和时间的相互作用的驱动程序，充电站的准确定位，以及各种充电速度，和现实的充电曲线。我们表明，这个问题可以自然地转换为一个整数规划，再加上不同的重构技术，可以有效地解决大型实例。更具体地说，我们表明，我们的方法可以计算充电站的最佳位置的实例的基础上的交通数据的城市高达$600\,000$居民和未来的电气化率高达$15\%$。
2022-12-09 math.OC
Port-Hamiltonian Modeling and Control of Electric Vehicle Charging Stations
针对电网中电动汽车充电站日益集成带来的稳定性问题，提出基于平均端口哈密顿模型的控制方法，通过平均非线性系统近似开关行为并推导多种稳定化控制器，经仿真验证有效。
2024-07-16 math.OC
Socially optimal charging strategies for electric vehicles
电动汽车代表了减少排放和对化石燃料依赖的有前途的技术，并已开始进入不同的汽车市场。为了促进消费者的采用，从而提高其渗透率，需要部署充电站基础设施。本文研究了将电动汽车分配到充电站网络的分散政策，其目标是实现很少甚至没有充电。这一目标对于充电时间相当长的电动汽车尤其重要。所提出的政策的社会最优性建立在多服务器制度，其中每个站都配备有多个充电槽。此外，实现最优策略的算法的收敛性问题进行了研究。最后，结果提供了关于如何解决与基础设施的最佳位置部署相关的问题的见解。
2013-04-08 math.OC
Robust Charging Network Planning for Metropolitan Taxi Fleets
本文针对大规模出租车队充电站选址问题，提出结合割平面与分支定价的精确方法及基于对抗采样的鲁棒框架，并基于慕尼黑真实数据验证了电池容量、充电速度和车场充电对成本与可行性的影响。
2023-04-17 math.OC
Robust charging station location and routing-scheduling for electric modular autonomous units
本文研究了多式联运系统中电动模块化自主单元的鲁棒充电站选址与路径调度问题，通过构建基于路径的鲁棒优化模型并开发双重分解算法，实现了在需求不确定性下对充电站、车队规模和路径调度的联合优化，显著降低了乘客成本并提升了大规模运营效率。
2025-04-06 math.OC
Optimising Electric Vehicle Charging Station Placement using Advanced Discrete Choice Models
本文提出基于高级离散选择模型和模拟预计算误差项的多周期充电站选址优化方法，并设计滚动时域、贪心及GRASP启发式算法以高效求解最大覆盖模型。
2023-05-25 math.OC
Integrating Ultra-Fast Charging Stations within the Power Grids of Smart Cities: A Review
插电式电动汽车（PEV）已成为推动智慧城市的关键因素，它可以提高能源效率，降低对城市部门的环境影响。未来PEV的行业愿景包括以与传统天然气加油相当的速度对车辆进行再充电的能力，即，每辆车小于$3$分钟。这种被称为超快速充电（UFC）的技术引起了研究和工业界的极大兴趣。然而，UFC的大功率密度、脉冲和随机负载特性对现有的电力供应基础设施提出了前所未有的挑战。规划这些UFC电站的位置和电力容量对于防止有害影响至关重要，包括电网资产折旧，电网不稳定和电力质量恶化。在本文中，我们首先回顾传统充电站的规划方法，然后讨论展望UFC规划解决方案，通过绘制与可再生能源规划，它提出了类似的功率密度和随机特性的UFC的类比。虽然本文主要从电网的角度关注UFC规划，但其他城市方面，包括交通流量和最终用户行为，也将研究智能城市中可行的UFC集成。
2018-01-28 math.OC
On the Evaluation of Plug-in Electric Vehicle Data of a Campus Charging Network
Qatar Environment and Energy Research Institute（卡塔尔环境能源研究所）；College of Science and Engineering Hamad Bin Khalifa University（哈马德·本·哈利法大学科学与工程学部）；Department of Mechanical and Aerospace Engineering University of California at San Diego（加州大学圣地亚哥分校机械与航空航天工程系）
本文基于校园充电网络数据，分析了插电式电动车的充电需求及太阳能利用潜力，为可持续充电设施设计提供依据。
2016-02-09 cs.SY eess.SY math.OC
Simulation Based Evaluation and Optimization for PEV Charging Stations Deployment in Transportation Networks
插电式电动汽车正受到全球关注。然而，大规模插电式电动汽车给充电站部署带来了挑战。提出了一种基于仿真和遗传算法的插电式电动汽车充电站布局评价方法和规划方法。在这项研究中，合理的用户行为发生了变化，即，为了更实际的应用，在该方法中包括迂回充电。本文设计了一个详细的逻辑来描述插电式电动汽车用户的绕行行为，用于充电站部署评估，进而影响后期充电站规划策略的制定。直观地说，考虑到充电站部署后插电式电动汽车用户的行为变化，我们的评估方法更合理。实际上，应该进行一系列的对照实验来说明与我们的方法不同的见解。然而，在本文中，由于篇幅所限，我们只提供了我们的方法在一个相对简单的情况下的结果与一些分析。从我们的方法不同的见解可以工作作为有用的建议，在城市地区的充电站规划。
2018-10-24 eess.SP math.OC
Towards a Multimodal Charging Network: Joint Planning of Charging Stations and Battery Swapping Stations for Electrified Ride-Hailing Fleets
本文针对电动网约车车队提出充电站与换电站联合规划优化模型，纳入弹性需求、空间充电均衡及拥堵等因素，并通过松弛分解建立紧上界评估解质量，曼哈顿案例表明联合规划利润显著优于单一部署。
2024-04-01 cs.SY eess.SY math.OC
Competitive Charging Station Pricing for Plug-in Electric Vehicles
Huazhong University of Science and Technology（华中科技大学）；The Chinese University of Hong Kong（香港中文大学）
本文研究了充电站定价与插电式电动汽车（PEVs）选址问题，通过构建多领导者-多追随者Stackelberg博弈模型，分析充电站定价与车辆选址的均衡策略。
2015-11-28 cs.GT cs.SY eess.SY
Optimal Decision Making Model of Battery Energy Storage-Assisted Electric Vehicle Charging Station Considering Incentive Demand Response
考虑到电动汽车（EV）的大规模实施，公共EV充电站被用作EV的燃料箱，以满足更长的行驶距离的需要并克服私人充电桩的不足。本地电池储能（BES）的分配可以增强电动汽车充电站的灵活性。提出了一种考虑激励性需求响应的电动汽车充电站优化决策模型。首先，详细介绍了BES辅助电动汽车充电站的模型。其次，介绍了具有代表性的激励性需求响应模型--紧急需求响应模型。第三，基于充电负荷预测数据，建立了考虑EDR的电动汽车充电站运营利润最大化的BES辅助电动汽车充电站优化决策模型。最后通过实例验证了该方法的可行性。本文的研究结论如下：1）通过优化决策模型，可以有效地为BES辅助电动汽车充电站确定正确的、有利的EDR参与决策。2)在EV充电站中的本地BES可以提高充电站参与EDR的能力。
2019-06-20 cs.SY eess.SP eess.SY
Understanding the Impact of Coalitions between EV Charging Stations
本文研究电动汽车充电站部分联盟协调的影响，通过非合作聚合博弈和C-Nash均衡分析，发现在某些条件下独立运行反而比部分联盟协调成本更低。
2024-10-03 cs.GT cs.MA cs.SY
Congestion-Aware Charging Coordination for Electric Ride-Hailing Fleets under Stochastic Demand
Luxembourg Institute of Socio-Economic Research (LISER)（卢森堡社会经济研究所）；University of Luxembourg（卢森堡大学）
针对充电站容量影响电动网约车系统盈利的问题，提出一种动态充电调度方法，通过顺序混合整数线性规划协调充电操作，在曼哈顿场景下测试，相比最优基准利润提升3.91%，服务率提升4.60%。
2026-10-15 cs.SY eess.SY math.OC
Two-stage battery recharge scheduling and vehicle-charger assignment policy for dynamic electric dial-a-ride services
考虑到充电排队延迟和随机客户需求，协调电动汽车的充电调度以实现动态拨号服务是具有挑战性的。我们提出了一个新的两阶段解决方案的方法来处理动态车辆充电调度，以尽量减少车队的日常充电业务的成本。该方法包括两个组成部分：每日车辆充电调度和在线车辆充电器分配。提出了一种新的电池充电调度模型，以最小化车辆日常充电运营成本，同时满足车辆驾驶需求，为客户提供服务的车辆充电计划。在第二阶段，在线车辆充电器分配模型的开发，以尽量减少总的车辆空闲时间的充电，考虑排队延迟在充电器的水平。提出了一种有效的拉格朗日松弛算法来求解具有小最优间隙的大规模车辆-充电器分配问题。将该方法应用于卢森堡一个实际的动态叫车服务案例研究，并与不同充电基础设施场景下的最近充电站充电策略和先到先得最小充电延迟策略进行了比较。我们的计算结果表明，该方法可以实现显着节省的运营商在充电等待时间（-74.9%），充电时间（-38.6%），并收取能源成本（-27.4%）。进行灵敏度分析，以评估不同的模型参数的影响，显示在随机环境中的方法的可扩展性和鲁棒性。
2021-04-15 cs.SY eess.SY math.OC
Sequential Charging Station Location Optimization under Uncertain Charging Behavior and User Growth
针对预算约束下充电站分阶段选址需考虑随机需求增长的问题，将用户选择行为整合到多阶段随机规划模型中，推导二阶锥表示并提出次梯度不等式加速计算，验证了多阶段模型在高波动等场景的价值。
2024-11-03 cs.SY eess.SY math.OC
Maximum flow-based formulation for the optimal location of electric vehicle charging stations
CIRRELT（企业、大学和政府运输物流研究中心）；Université de Montréal（蒙特利尔大学）；GERAD（决策分析研究组）；University of Edinburgh（爱丁堡大学）；Institut de Recherche d’Hydro-Québec（魁北克水电研究所）；Hydro-Québec（魁北克水电公司）
针对城市电动汽车充电站不足问题，提出基于最大流的需求分配模型，并结合混合整数线性规划优化新站开设与容量扩展，在蒙特利尔验证了可扩展性。
2023-12-10 cs.AI math.OC
On the Optimal Placement of Electric Vehicle Charging Stations
针对电动汽车充电设施不足问题，提出基于新颖需求估计的最优充电站布局方法，并在国际竞赛获奖，获资助推进部署策略研究。
2023-06-19 math.OC physics.data-an
Multiple domination models for placement of electric vehicle charging stations in road networks
电动汽车和混合动力汽车在道路运输网络中发挥着越来越重要的作用。尽管它们具有优势，但与传统的柴油/汽油车辆相比，它们的续航里程相对有限，并且需要大量的电池充电时间。我们建议将道路网络中充电站的设施选址问题建模为可达图上的多支配问题。该模型考虑了诸如剩余电池负载的阈值之类的自然假设，并且为对电池充电的行驶方向提供了一些最小选择。以波士顿和都柏林等城市的实际道路网络为例，对所提出的设施选址模型进行了实验评估和仿真。
2017-10-03 cs.DM math.OC
Online Resource Allocation with Non-Stationary Customers
Institute of Operations Research and Analytics, National University of Singapore（新加坡国立大学运营研究与分析学院）
提出一种在线资源分配算法，解决非平稳客户到达与未知点击率问题，结合随机上下文老虎机与在线匹配技术，实现次线性遗憾与最优竞争比，并在多种场景下获得接近最优收入。
2024-06-02 cs.LG math.OC
Optimal dispatch schedule for a fast EV charging station with account to supplementary battery health degradation
本文研究了快速充电站（FCS）中电池存储系统的使用，以参与能源市场并同时为电动汽车（EV）充电。特别是，我们专注于优化调度策略，以降低系统的整体运营成本在其生命周期内，通过结合电池退化和能源套利模型。我们实现了电池退化作为一个惩罚项内的能源套利模型，并表明电池退化FCS系统的最优能源调度调度中起着重要的作用。在这种情况下，研究发现，与不同的惩罚系数的电池退化惩罚项，包括在调度模型中的电池使用的惩罚将减少小的充电/放电周期的数量，从而延长电池的寿命，同时保持接近最佳的收入从电网服务。
2022-03-14 cs.CE math.OC
Plug-in Electric Vehicle Charging Congestion Analysis Using Taxi Travel Data in the Central Area of Beijing
Tsinghua University（清华大学）；Tongji University（同济大学）；University of Washington（华盛顿大学）
本文利用出租车出行数据，提出一种数据驱动方法分析插电式电动车充电站拥堵问题，通过排队论模型评估未来充电拥堵对服务质量的影响。
2017-12-19 cs.SY eess.SY math.OC
A Consumer Behavior Based Approach to Multi-Stage EV Charging Station Placement
本文提出了一种多阶段的方法来放置充电站的情况下，不同的电动汽车（EV）的普及率。电动汽车充电市场被建模为寡头垄断。基于消费者行为的方法被应用到使用嵌套logit模型预测充电站的充电需求。同时考虑了城市道路网络和电网网络对充电站规划的影响。在每个规划阶段，通过求解服务提供商之间的贝叶斯博弈，得到最优的站点布局策略。为了研究出行模式、消费者行为、城市道路网络、电网网络和充电站布局之间的相互作用，使用Java on Repast开发了一个模拟平台（The EV Virtual City 1.0），并将该地区的地理和人口数据导入该平台，以洛杉矶圣佩德罗区为例进行了研究。仿真结果表明，充电站的布局和电动汽车的交通流量之间具有很强的一致性。研究结果还揭示了一个有趣的现象，即服务提供商更喜欢集群，而不是空间分离，在这个寡头垄断市场。
2018-01-07 cs.GT econ.EM eess.SP
Control of Charging of Electric Vehicles through Menu-Based Pricing
School of Industrial Engineering, Purdue University（普渡大学工业工程学院）
本文提出了一种在线定价机制，通过菜单定价策略优化电动汽车充电站的能源使用和利润，同时减少高峰需求并提高充电站的利用效率。
2017-04-26 cs.GT cs.SY eess.SY
A Quantum Optimization Algorithm for Optimal Electric Vehicle Charging Station Placement for Intercity Trips
The Grainger College of Engineering, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校格雷因格工程学院）；National Science Foundation（美国国家科学基金会）
本文提出基于Grover自适应搜索的量子算法求解电动汽车充电站选址问题，实现二次加速，并在7节点网络上验证。
2026-09-22 math.OC quant-ph
Placement of EV Charging Stations --- Balancing Benefits among Multiple Entities
研究了电动汽车普及率递增的电动汽车充电站多阶段布局问题。采用嵌套logit模型分析单个消费者（电动汽车车主）的充电偏好，并预测充电站的总充电需求。电动汽车充电行业被建模为寡头垄断，整个市场由少数充电服务提供商（寡头）主导。在每个规划阶段的开始，每个服务提供商的最优布局策略，通过分析战略的贝叶斯博弈中的相互作用。为了得到最优的布局策略，我们考虑了运输网络图和电力网络图。用Java语言开发了电动汽车虚拟城市仿真软件-电动汽车虚拟城市1.0，研究了电动汽车用户、交通网络图、电力网络图和充电站之间的相互作用。通过使用洛杉矶圣佩德罗区的地理和人口数据进行的一系列实验，我们表明充电站的位置与交通流量的热图高度一致。此外，我们观察到一个空间经济现象，服务提供商更喜欢集群，而不是分离的电动汽车充电市场。
2018-01-07 cs.GT econ.EM eess.SP
Efficient Representation for Electric Vehicle Charging Station Operations using Reinforcement Learning
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
电动汽车充电站（EVCS）的有效运行对于实现电气化交通的快速过渡至关重要。为了使用强化学习（RL）来解决这个问题，状态/动作空间的维度与EV的数量成比例，因此非常大且随时间变化。这个维度问题影响了通用RL算法的效率和收敛特性。我们开发的聚合方案，是基于电动汽车充电的紧急情况，即松弛值。采用最小松弛优先（LLF）规则，只考虑总的充电功率的电动汽车控制系统，以确保个人的电动汽车调度的可行性。此外，我们提出了一个等价的状态聚合，可以保证达到相同的最优策略。在此基础上，利用策略梯度方法，对线性高斯策略进行参数优化。数值结果验证了所提出的表示方法在获得更高的回报和更有效的政策相比，现有的近似为基础的方法的性能改善。
2022-01-24 cs.LG math.OC
Distributed Coordination of Charging Stations Considering Aggregate EV Power Flexibility
近年来，电动汽车（EV）充电站迅速增长。然而，由于个人电动汽车所有者的隐私问题，不同站点的竞争利益以及耦合的配电网络约束，充电站的有效管理是具有挑战性的。为了应对这一挑战，本文提出了一个两阶段的计划。在第一阶段中，总EV功率灵活性区域是通过求解优化问题而得到的。我们证明，在所获得的区域内的任何轨迹对应于至少一个可行的EV调度策略。通过向充电站运营商提交该灵活性区域而不是详细的EV数据，可以保护EV所有者的隐私并且可以减少计算负担。在第二阶段，一个分布式的协调机制，具有明确的物理解释开发与交流潮流的约束考虑。我们证明了所提出的机制是保证收敛到集中式最优。案例研究验证了理论分析结果。综合性能进行比较，以证明所提出的方案的优势。
2022-06-14 cs.SY eess.SY math.OC
A Distributed Online Algorithm for Promoting Energy Sharing Between EV Charging Stations
近年来，由于可再生能源的波动和充电需求的不可预测性，电动汽车充电站经历了越来越多的供需不匹配。为了降低其运营成本，本文提出了一种分布式在线算法，以促进充电站之间的能量共享。我们从离线和集中式的电动汽车充电站运营问题开始，其目标是最小化长期时间平均总成本。然后，我们开发了一个在线实现方法的基础上的李雅普诺夫优化框架。虽然所提出的在线算法运行在一个预测的方式，我们证明，通过适当选择的参数，时间耦合约束仍然得到满足。我们还提供了离线和在线最优之间的最优性差距的理论界。在此基础上，提出了一种改进的乘子交替方向法（ADMM）迭代截断算法，以实现分布式计算。该算法在保护隐私的同时，适合在线实现。实例分析验证了理论结果的有效性。综合性能进行比较，以证明所提出的方法的优点。
2022-04-17 cs.SY eess.SY math.OC
Coordinated Charging and Discharging Strategies for Plug-in Electric Bus Fast Charging Station with Energy Storage System
Department of Electrical Engineering, Tsinghua University（清华大学电机工程系）
本文提出了一种最优的实时协调充电和放电策略，通过建立两种场景下的数学模型，考虑储能系统价格、寿命、容量和电力套利等因素，以实现最大经济效益。
2017-12-04 cs.SY eess.SY math.OC
Optimal routing algorithm for trips involving thousands of ev-charging stations using Kinetica-Graph
本文讨论了一种基于图的路线求解算法，以找到最佳路径的电动汽车挑选最佳的充电位置之间的数千个，以最小化总累计行驶距离的终点之旅。为此，我们设计了一个组合优化算法和一个固定的存储图的拓扑结构的图形道路网络的美国大陆。我们还重新调整了现有的Dijkstra求解器，以减少算法中涉及的许多最短路径求解的计算成本。一个自适应的和轻量级的空间搜索结构也被设计用于找到一组预期的站在每个充电位置使用统一的箱和双链路关联。整个算法在Kinetica-Graph分析套件中实现为另一个多线程的大规模图求解器，作为一个REST API端点公开，并在SQL中运行。解决了几个例子的行程，并在上下文中演示了结果。
2022-05-19 cs.DC math.OC
Electric Vehicle Charging Station Placement: Formulation, Complexity, and Solutions
Hong Kong Baptist University（香港浸会大学）
本文提出电动汽车充电站选址问题，证明其计算复杂性，并提出四种解决方案，评估其在不同案例中的性能。
2014-06-10 cs.SY eess.SY math.OC
Location Planning of Fast Charging Station considering its Impact on the Power Grid Assets
The Ohio State University（俄亥俄州立大学）；Global Energy Interconnection Research Institute North America（全球能源互联研究院北美分院）
本文提出了一种考虑快速充电站对关键电力网络资产影响的多目标选址模型，采用交叉熵方法解决，验证了该方法的有效性。
2019-03-25 cs.NA math.NA math.OC
Reinforcement Learning Based Algorithm for the Maximization of EV Charging Station Revenue
Sofia University（索菲亚大学）；Telecom Bretagne（布列塔尼电信学院）
本文提出了一种基于在线强化学习的应用程序，它增加了一个特定的电动汽车（EV）站的收入，连接到可再生能源。此外，所提出的应用程序适应车站的平均客户数量及其类型的趋势的变化。模型中的大部分参数都是随机模拟的，所采用的算法是Q-学习算法。通过计算机模拟验证了该模型的有效性。
2014-09-17 cs.CE cs.LG math.OC
Agent-Based Decentralized Energy Management of EV Charging Station with Solar Photovoltaics via Multi-Agent Reinforcement Learning
Department of Data Science and AI Faculty of IT（数据科学与人工智能系信息科技学院）；Monash University（墨尔本大学）；Monash Energy Institute（墨尔本能源研究所）
针对电动汽车充电站能源管理对不确定性鲁棒性不足的问题，提出基于多智能体强化学习的方法，将每个充电器视为智能体，结合LSTM和密集奖励机制，在真实数据集上验证了其能有效降低成本并提升充电满意度。
2025-05-24 cs.AI cs.SY eess.SY
Designing an Optimized Electric Vehicle Charging Station Infrastructure for Urban Area: A Case study from Indonesia
电动汽车（EV）技术的快速发展使空气更清洁，交通系统更高效，特别是在污染和拥挤的城市地区。为了充分利用这一潜力，印尼政府已任命其最大的国有电力供应商PLN加快印尼电动汽车基础设施的准备工作。该公司的使命是在全国范围内提供可靠、可访问和具有成本效益的电动汽车充电站基础设施，该公司正在制作一个位置优化模型的原型，以模拟其基础设施设计如何满足客户、满足需求和创造收入。在这项工作中，我们研究了PLN如何通过采用最大覆盖位置模型在城市地区最佳放置电动汽车充电站来实现利润最大化。在我们的实验中，我们使用来自印度尼西亚泗水的数据，并考虑当地人充电的两种主要交通方式：电动摩托车和电动汽车。数值实验表明，考虑到PLN已经获得的充电技术，只需要四个充电站就可以覆盖整个城市。然而，消费者的出行时间非常长（约35分钟），这可能导致消费者服务质量差，并阻碍电动汽车技术的发展。敏感性分析显示，建设更多的充电站可以减少时间，但由于额外的设施安装，成本会更高。增加冗余层来缓冲停电或其他中断也会导致更高的成本，但这可能是设计更可靠和繁荣的电动汽车基础设施的一个有吸引力的选择。该模型可以为决策者提供见解，以设计最可靠和最具成本效益的基础设施设计，以支持在不久的将来部署电动汽车和更先进的智能交通系统。
2022-09-07 econ.GN math.OC q-fin.EC
Competitive EV charging station location with queues
针对竞争性市场中电动汽车充电站选址问题，提出结合有限排队系统与双层规划的方法，通过用户均衡和代理启发式求解，在蒙特利尔案例中验证了优于现有网络的选址策略。
2025-10-14 cs.SY eess.SY math.OC
Load Forecasting Model and Day-ahead Operation Strategy for City-located EV Quick Charge Stations
随着电动汽车（EV）的快速发展，EV的充电需求急剧增加。因此，需要可靠和方便的快速充电站来响应EV驾驶员的需求。由于电动汽车充电负荷的不确定性，负荷预测对于快速充电站的运营至关重要，以制定未来一天的计划。基于出行链理论和电动汽车用户行为，建立了电动汽车快速充电站运营商的充电负荷预测模型。该模型能够预测城市快速充电站在第二天的充电需求，其中蒙特卡洛模拟方法的应用。在此基础上，提出了以盈利为导向的日前运营策略。仿真结果验证了该预测模型和运行策略的有效性。本文的研究结论如下：1）充电负荷预测模型保证了运营商对次日充电负荷特性的把握。2)快速充电站的收入可以显着增加，通过应用所提出的日首运营策略。
2019-09-03 cs.SY eess.SY math.OC
