基于因果发现的数据驱动方法优化电动汽车充电站选址
机器学习
2025-03-24 v1 人工智能
摘要
本文解决了电动汽车充电站选址优化的关键挑战，提出一种新颖的数据驱动方法，采用因果发现技术。虽然传统方法侧重经济因素或电网约束，却常忽视最终决定站点利用率的实际充电模式。我们分析来自 Palo Alto 和 Boulder 的大量充电数据（跨 100 个充电站的 337,344 条事件），揭示站点特征与利用率之间的潜在关系。通过应用于 NOTEARS 和 DAGMA 结构学习算法，发现充电需求主要由三大因素决定：靠近设施（amenities）的距离、EV 注册密度以及靠近高流量路线的邻接性。这些发现跨越多个算法和城市情境保持一致，挑战了传统基础设施分配策略。我们开发了将这些洞见转化为可操作选址建议的优化框架，识别出可能实现高利用率的站点位置。最终的站点选择模型优先考虑在高设施密集区且拥有大量 EV population 的区域进行战略性聚集，而非均匀的空间分布。我们的做法为基础设施规划集成实证充电行为提供了框架， potentially enhance station utilization and user convenience（潜在提升站点利用率和用户便利性）。通过聚焦数据驱动洞见而非理论分配模型，我们提供了一种更有效的电动汽车充电网络扩张策略，能够适应不同阶段的 EV 市场发展。
引用
@article{arxiv.2503.17055,
title = {Data-Driven Optimization of EV Charging Station Placement Using Causal Discovery},
author = {Julius Stephan Junker and Rong Hu and Ziyue Li and Wolfgang Ketter},
journal= {arXiv preprint arXiv:2503.17055},
year = {2025}
}
备注
Under review of IEEE CASE 2025; This is also the master thesis project from Julius supervised by Dr. Ziyue Li