EV-Planner:一种基于机器学习的新方法,用于规划更高效、更公平的电动汽车充电基础设施布局

《Frontiers in Artificial Intelligence》:EV-Planner: a machine learning approach to electric vehicle charging infrastructure planning

【字体: 大 中 小 】 时间:2026年04月07日 来源:Frontiers in Artificial Intelligence 4.7

编辑推荐:

  为解决当前电动汽车充电站布局不合理、难以兼顾用户便利性、负载均衡与公平覆盖等多重目标的挑战,研究人员提出了EV-Planner。该研究将充电站选址建模为一个约束多目标优化问题,并创新性地提出了“建议-接受”(SA)聚类近似求解算法。结果显示,该方法可显著减少用户平均行驶距离、超负荷充电站数量及无覆盖用户数量,为大规模充电基础设施规划提供了高效、可扩展的解决方案。

  
随着全球应对气候变化的努力不断深入,电动汽车(Electric Vehicles, EVs)凭借其低碳排放和高能效的优势,被视为交通领域减排的关键路径。然而,电动汽车的广泛普及,严重依赖于一个规划得当、覆盖广泛的公共充电网络。当前,许多地区的充电站建设往往呈现“零敲碎打”(ad hoc)和市场驱动的状态,导致布局不尽合理:有的区域充电站过于集中造成负载不均,有的区域则存在服务空白,用户需要长途跋涉才能找到充电桩。这种不均衡不仅影响了用户体验,也阻碍了电动汽车的进一步推广。那么,如何才能科学、高效地规划充电站的位置,在有限的资源下,同时满足用户便利性(距离近)、系统稳定性(负载均衡)和服务公平性(广泛覆盖)等多重目标呢?这正是《Frontiers in Artificial Intelligence》期刊上的一项研究所致力解决的核心问题。
为了系统性地回答上述问题,研究团队开发了一个名为EV-Planner的软件工具。该工具的核心创新在于,它将复杂的充电站选址问题,形式化(formulate)为一个“约束多目标优化问题”。简单来说,就是要在满足一系列硬性条件(如每个充电站服务用户数有上限、每个用户距离充电站不能超过某个最大值)的同时,尽可能优化多个相互可能冲突的目标(如最小化所有用户的平均行驶距离)。这是一个计算上非常困难的问题,尤其是当涉及成千上万个用户点和数百上千个待建充电站时,传统的数学规划方法往往难以在可接受的时间内求解。
为了攻克这一难题,研究人员没有选择直接求解这个复杂的优化模型,而是巧妙地将其“转化”为一个聚类(clustering)问题。其直觉在于,将用户分配到最近的充电站,类似于将数据点归到最近的聚类中心。然而,传统的聚类算法(如k-means)主要关注最小化簇内距离,无法直接处理“每个簇的用户数不能超过容量上限”或“每个点距离簇中心不能超过特定距离”这样的约束。为此,研究团队提出了一种全新的“建议-接受”(Suggest-Accept, SA)聚类启发式算法。该算法迭代运行两个步骤:第一步是“建议”,使用传统聚类算法(如k-means)对剩余的用户点进行初步分簇;第二步是“接受”,根据用户定义的约束(如最大容量、最大距离)和成本函数,从建议的簇中挑选出满足条件的子集予以“接受”,并将这些点从问题空间中移除。这个过程循环进行,直到所有用户点都被分配完毕。通过这种方式,SA聚类能够有效地在近似求解中融入多种约束和目标。
为了进一步提升效率,研究还引入了神经网络(Neural Network, NN)来辅助SA聚类中的超参数(hyperparameter)选择。SA聚类涉及多个关键超参数(如每轮接受簇的比例、成本函数中不同指标的权重等),穷举搜索最优组合计算量巨大。该研究先在小规模网格上采样运行SA聚类得到数据,然后训练一个神经网络来预测任意超参数组合下的算法性能。训练好的神经网络可以快速预测大量超参数组合的性能,从而高效地识别出最优解分布的帕累托前沿(Pareto frontier),将总搜索时间降低了超过5500倍。
主要关键技术方法:
研究基于美国10个州的真实地理空间数据开展,数据来源包括Atlas EV Hub(电动汽车注册数据)、美国能源部替代燃料数据中心(现有充电站位置)和Kontur地理空间数据枢纽(人口密度分布)。技术方法核心包括:1) 问题建模:将充电站选址形式化为一个混合整数非线性规划(Mixed Integer Non-Linear Programming, MINLP)问题,目标是最小化平均用户-站点距离,约束包括站点最大容量和用户最大服务距离。2) SA聚类算法:提出一种迭代的两阶段(建议与接受)启发式聚类算法,以近似求解上述优化问题,并能处理多目标和硬约束。3) 神经网络超参数调优:构建一个多层感知机(Multi-Layer Perceptron, MLP)回归模型,基于少量采样数据训练,用以快速预测SA聚类在不同超参数下的性能,从而高效定位帕累托最优解。
研究结果
3.1 EV-Planner显著降低了用户到充电站的平均距离
与当前实际的充电站布局、二分k-means(Bisecting k-means)和约束k-means(Constrained k-means)这三种基线方法相比,EV-Planner在全部10个州都取得了显著改进。平均而言,它将用户到最近充电站的平均距离降低了52.3%。这相当于在所研究的10个州,预计每年能为电动汽车用户减少1.06亿英里的行驶里程。同时,EV-Planner的表现也优于二分k-means和约束k-means,分别提升了26.4%和36.0%。
3.2 EV-Planner有效减少了超负荷充电站的数量
EV-Planner在平衡各充电站负载方面表现优异。平均而言,它将超负荷充电站(本研究将服务电动汽车数阈值设为75)的比例降低了71.7%。同样,它也显著优于二分k-means和约束k-means,分别减少了62.3%和59.2%的超负荷站点。研究还表明,这一改进对于50到150之间不同的超负荷阈值都具有一致性。
3.3 EV-Planner大幅提升了服务覆盖的公平性
在确保服务覆盖方面,EV-Planner将距离充电站超过3英里的用户数量减少了高达10.7倍。这一改进在2到10英里不同的距离阈值范围内都是一致的,表明EV-Planner能够有效促进充电基础设施服务的公平性,减少服务盲区。
3.4 统计有效性验证
为了确保结果的稳健性,研究使用100个不同的随机种子运行了EV-Planner。结果显示,无论是平均用户-站点距离还是超负荷站点比例,其标准差和99%置信区间都非常小,这证明了EV-Planner算法具有高度的稳定性和可重复性。
3.5 SA聚类算法优于其他聚类算法
通过将SA聚类与k-means、二分k-means和约束k-means等传统聚类算法在“平均距离”和“超负荷站点比例”两个指标上进行对比,研究发现SA聚类通过调整其超参数所达到的帕累托前沿,明显优于其他算法提供的解。这表明SA聚类在同时优化多个竞争性目标方面具有独特优势。
3.6 基于神经网络的超参数选择方法高效可靠
研究对比了随机采样超参数和使用神经网络预测筛选超参数两种策略的效果。结果表明,神经网络方法能够更精准、更高效地识别出那些能产生帕累托前沿最优解的超参数组合,其效果远优于随机采样。
结论与讨论
该研究提出了EV-Planner,一个将电动汽车充电站选址问题构建为约束多目标优化问题,并利用新颖的“建议-接受”(SA)聚类算法进行高效近似求解的软件工具。通过在10个美国州、覆盖超过84.5万辆汽车和1.48万个充电站的大规模实际数据上进行验证,EV-Planner被证明能够显著优化充电站布局,在减少用户平均出行距离、降低站点负载压力以及提升服务覆盖公平性等多个维度上,全面优于现有充电站布局及传统聚类方法。
研究的核心贡献在于提出并验证了SA聚类这一能够有效处理多目标约束的近似求解框架,以及配套的神经网络超参数快速选择方法,从而实现了在大规模现实场景下求解此类复杂规划问题的可行性。这为政府规划部门、基础设施投资者和充电网络运营商提供了一个强有力的数据驱动决策支持工具。
当然,研究也存在一些局限性并为未来工作指明了方向。首先,尽管在10个州验证了有效性,但其方法的普适性有待在更广泛区域进行测试。其次,当前模型聚焦于可及性、覆盖度和负载均衡三个核心指标,实际建设还需考虑土地与建造成本、本地电网容量等因素,这些均可纳入现有模型框架。再次,研究基于静态的电动汽车位置数据,未来可纳入车辆移动的时空动态模式(如通勤高峰),使规划更能反映实时需求,尽管这会增加计算复杂度。最后,充电桩类型(如Level 1/2/3)的差异以及社会经济、人口统计学因素对公平性的影响,也是将此类方法应用于实践时需要考虑的层面。尽管如此,EV-Planner为解决电动汽车充电基础设施这一关键瓶颈问题,提供了一个兼具创新性、实用性和可扩展性的 promising solution(有前景的解决方案)。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号