[论文解读] Demand Prediction and Placement Optimization for Electric Vehicle Charging Stations

Ragavendran Gopalakrishnan, Arpita Biswas+4 more|arXiv (Cornell University)|Apr 19, 2016

Electric Vehicles and Infrastructure参考文献 20被引用 25

一句话总结

本文提出了一种新颖的框架，通过结合使用典型相关分析（CCA）的多视角需求预测与混合装箱-覆盖优化模型，优化电动汽车（EV）充电站的选址。该方法采用一种迭代启发式算法，结合0-1背包和集合覆盖算法，在预算约束下实现10%至20%的需求满足率和可行性提升，优于简单启发式方法。

ABSTRACT

Effective placement of charging stations plays a key role in Electric Vehicle (EV) adoption. In the placement problem, given a set of candidate sites, an optimal subset needs to be selected with respect to the concerns of both (a) the charging station service provider, such as the demand at the candidate sites and the budget for deployment, and (b) the EV user, such as charging station reachability and short waiting times at the station. This work addresses these concerns, making the following three novel contributions: (i) a supervised multi-view learning framework using Canonical Correlation Analysis (CCA) for demand prediction at candidate sites, using multiple datasets such as points of interest information, traffic density, and the historical usage at existing charging stations; (ii) a mixed-packing-and- covering optimization framework that models competing concerns of the service provider and EV users; (iii) an iterative heuristic to solve these problems by alternately invoking knapsack and set cover algorithms. The performance of the demand prediction model and the placement optimization heuristic are evaluated using real world data.

研究动机与目标

• 解决电动汽车普及与充电站部署之间的相互依赖问题，二者相互依赖于对方的可用性。
• 平衡相互冲突的目标：最大化服务提供商的需求满足率，同时最小化用户可达性与等待时间。
• 在预算与覆盖约束下，开发一种可扩展的充电站最优选址解决方案。
• 将框架扩展以支持分阶段（多周期）部署及政府拨款分配给多个服务提供商。
• 整合来自不同来源的真实世界数据（如交通流量、兴趣点POI、历史使用数据），以在数据稀疏的情况下提高需求预测的准确性。

提出的方法

• 采用监督式多视角学习框架，利用典型相关分析（CCA）融合异构数据源——兴趣点（POIs）、交通密度和历史使用数据——以预测候选站点的需求。
• 将选址问题建模为混合装箱-覆盖整数规划问题：在预算和插槽容量约束下，最大化需求满足（装箱）并确保所有位置均在可到达半径范围内（覆盖）。
• 通过排队论模型对等待时间进行建模，以确定每个站点所需的最小充电插槽数量，并将此转化为预处理阶段的设置成本。
• 设计一种迭代启发式算法（IPAC），交替求解0-1背包问题（预算约束下的需求最大化）和集合覆盖子问题（覆盖性保障）。
• 通过建模随时间变化的预算、动态需求预测以及可对现有站点扩展插槽数的选项，将框架扩展以支持多周期部署。
• 通过引入多维0-1背包约束，将框架适配于政府拨款分配，以平衡服务提供商与公共资金需求。

实验结果

研究问题

• RQ1 在历史数据有限的情况下，如何有效融合多源异构数据，以准确预测候选位置的电动汽车充电需求？
• RQ2 如何在充电站选址中联合优化服务提供商（需求、预算）与电动汽车用户（可达性、低等待时间）之间的冲突目标？
• RQ3 何种启发式方法能够高效且可扩展地求解现实约束下的混合装箱-覆盖设施选址问题？
• RQ4 如何将该框架扩展以支持随时间推移的分阶段部署，包括根据需求增长对现有站点进行扩展？
• RQ5 优化模型能否被调整以支持向多个服务提供商分配政府拨款，同时与公共与私人预算约束保持一致？

主要发现

• 基于CCA的多视角学习模型能有效整合多样化的数据源（POIs、交通流量、历史使用数据），显著提升候选站点充电需求预测的准确性。
• 所提出的IPAC启发式算法在可行性与总需求满足率方面均比简单启发式方法高出10%至20%，尤其在预算紧张时表现更优。
• 混合装箱-覆盖建模方法通过集成成本建模，成功平衡了需求最大化、覆盖范围与等待时间约束。
• 该框架通过建模随时间变化的预算与动态需求，支持分阶段部署，并可选择扩展现有站点而非新建站点。
• 对政府拨款分配的扩展通过引入多维0-1背包约束，实现了多提供商协调，支持公共资金策略。
• 基于真实世界数据的实证评估表明，该启发式方法在实际部署场景中优于基线方法，尤其在资源稀缺时表现更优。