面向大规模电动车充电基础设施优化的智能、自适应且可扩展的框架——DOVA-PATBM
机器学习
2025-06-19 v1 最优化与控制
摘要
电动车的快速普及需求使得基础设施规划工具必须具备数据丰富且具有地理扩展性。而大多数现有研究仅针对单个城市进行充电站位置优化，国家规模的网络必须协调密集城市中心、依赖汽车的郊区与电力受限的农村走廊之间的冲突要求。我们提出了 DOVA-PATBM（Deployment Optimisation with Voronoi-oriented, Adaptive, POI-Aware Temporal Behaviour Model），一种面向地理计算的框架，将这些情境统一于单个管道中。该方法将异构数据（道路、人口、夜灯、热点地点、供电线路）制象化到分层 H3 网格上，通过区域归一化图神经网络中心模型推断交叉点重要性，并叠加 Voronoi tessellation，确保每个 30 km 半径内至少有一个 5 端口直流快充站。从环路探测器和浮动车轨迹中学习的每日到达轮廓，输入有限 M/M/c 队列以在供电容量和故障风险约束下对端口进行 sizing。随后采用贪心最大覆盖启发式方法结合收入加权惩罚，选出满足覆盖和公平目标的最少站点数量。应用于美国乔治亚州后，DOVA-PATBM (i) 将 30 km 瓦片覆盖率提高了 12 个百分点，(ii) 低收入居民前往最近充电站的平均距离减半，(iii) 在所有位置均满足次输电余量，同时保持可用于全国范围推出的计算可行性。这些结果表明， tightly 集成、基于 GNN 的、多分辨率方法能够弥合学术优化与可部署基础设施政策之间的差距。
引用
@article{arxiv.2506.15289,
title = {DOVA-PATBM: An Intelligent, Adaptive, and Scalable Framework for Optimizing Large-Scale EV Charging Infrastructure},
author = {Chuan Li and Shunyu Zhao and Vincent Gauthier and Hassine Moungla},
journal= {arXiv preprint arXiv:2506.15289},
year = {2025}
}