基于地理空间感知的多目标深度强化学习在电动汽车快速充电站战略均衡配置中的应用
《Sustainable Cities and Society》:Strategic and Equitable Allocation of Electric Vehicle Fast Charging Stations using Geospatial-Aware Multi-Objective Deep Reinforcement Learning
【字体:
大
中
小
】
时间:2026年07月11日
来源:Sustainable Cities and Society 13.3
编辑推荐:
Jae Heo|Soowon Chang普渡大学鲍文建筑学院智能可持续人城建筑互动实验室(S2-HUB)研究生研究助理,地址:美国印第安纳州西拉斐特市格兰特街北363号,邮编47907摘要为支持电动汽车的日益普及,公共快速充电基础设施正在迅速扩展。不合理的部署策略往往会加剧服务可
Jae Heo|Soowon Chang
普渡大学鲍文建筑学院智能可持续人城建筑互动实验室(S2-HUB)研究生研究助理,地址:美国印第安纳州西拉斐特市格兰特街北363号,邮编47907
摘要
为支持电动汽车的日益普及,公共快速充电基础设施正在迅速扩展。不合理的部署策略往往会加剧服务可及性的地域差异,并给电网的稳定性带来额外压力。尽管在电动汽车快速充电站的选址和布局方面已取得一些进展,但现有的决策支持方法难以在满足多种目标的同时,有效规划这些充电站在不同交通网络中的布局。因此,本研究提出了一种多目标序贯决策模型,用于在复杂的大规模城市环境中规划整合太阳能供电的快速充电站的选址与规模。为此,我们开发了一种基于联邦学习的多目标深度强化学习框架,并结合地理空间分析技术。该模型通过全局策略整合局部学习结果,从而在环境、经济和城市发展等多方面实现平衡优化。实验表明,所提出的模型在确定快速充电站的最佳位置和容量方面优于单一智能体的加权奖励深度强化学习方法。具体而言,该模型在芝加哥找到了520个符合高奖励标准(如奖励值大于10)的充电站位置,这些地点同时满足了所有优化目标。此外,该模型所推荐的部署方案表明,所采用的空间分配策略有望提升芝加哥不同收入群体获得充电服务的公平性。总体而言,研究结果表明该模型在助力城市范围内制定兼顾战略性和可及性的快速充电站布局方面具有显著效果,有助于构建更加可持续且具备韧性的充电基础设施。
引言
在美国,交通运输行业是温室气体排放的最大来源,2022年其排放量约占全国总排放量的28%(美国环境保护局,2022年)。为减少车辆排放,电动汽车是一种极具前景的解决方案,因为其在运行过程中不会产生任何二氧化碳排放(Li、Khajepour和Song,2019年)。除了环境效益外,电动汽车还具有其他优势,比如较低的维护成本(Chakraborty等人,2022年)、由于电动驱动系统的高效率而带来的更低能源成本(Singh等人,2025年),以及更少的空气污染和噪音污染(Masri等人,2024年)。然而,电动汽车的广泛普及在很大程度上取决于城市地区电动汽车充电基础设施的覆盖程度和密度,而这些因素又会直接影响充电的便利性以及用户对电动汽车的接受度(Shi等人,2021年)。
战略性布局的电动汽车充电站能够通过确保用户就近获得充电设施,有效缓解现有及潜在电动汽车用户的续航焦虑(Mohammed等人,2024年)。尤其是那些能够在10分钟到1小时内为车辆充满电的快速充电站,对于满足高需求的使用场景至关重要(Town、Taghizadeh和Deilami,2022年)。不过,快速充电站的建设需要高昂的投入,而且由于会导致电力负荷峰值上升,可能会对电网的稳定性造成压力(Biroon、Abdollahi和Hadidi,2019年)。
目前来看,快速充电基础设施的覆盖情况在州级和城市层面都存在明显不足(Hanig等人,2025年;Roy和Law,2022年)。除加利福尼亚州、内华达州和亚利桑那州等少数领先州外,大多数地区的电动汽车充电基础设施还不够完善。这种差距在城市层面同样存在,从而导致电动汽车充电服务的可及性存在明显的地域差异。随着对战略性电动汽车充电站规划重视程度的提升,越来越多的研究开始聚焦于如何最优地布局这类充电站。现有研究大多采用启发式多目标优化方法来构建站点级布局模型(Ali等人,2022年)。但这些模型通常仅限于社区或区域层面,且依赖于表示交通网络和分布网络的图形数据结构(Heo和Chang,2024年)。虽然这类方法能够确保充电站的可达性,但往往会将选址范围限制在靠近现有电网设施或主要道路网络的区域。此外,这类方法在复杂且具有随机性的环境中很难找到全局最优解,尤其是在计算效率和可扩展性方面存在诸多挑战(Sharma和Kumar,2022年)。
为弥补现有研究的不足,本研究提出了一种适用于复杂大规模城市环境的、用于规划整合太阳能供电的快速充电站选址与规模的多目标序贯决策框架。具体而言,本研究采用了多目标近端策略优化深度强化学习方法来支撑这一规划过程。该深度强化学习框架通过将地理空间分析与序贯学习相结合,能够在城市规模的大面积未探索区域内识别出最佳的快速充电站建设位置,从而实现快速收敛并提升决策质量。该模型通过纳入环境、经济和城市发展三大多目标,旨在全面反映城市环境的复杂性。为克服传统强化学习在可扩展性方面的局限,本研究采用了两阶段分层策略:首先在城市层面筛选出候选社区,然后在选定的社区内确定最佳选址。在此过程中,该框架会评估每个位置的合适充电容量,以平衡环境、经济和城市基础设施等方面的考量。这种方法有助于深入理解如何利用基于深度强化学习的地理空间分析方法,最优地规划由太阳能光伏系统供电的快速充电站的布局与规模。最终,所提出的方法通过保障公众平等使用快速充电基础设施,推动了城市交通的公平性与可持续发展。
章节节选
最优电动汽车充电站布局规划
以往选择最优的电动汽车充电站位置时,往往是根据特定目标从一系列候选地点中进行优先筛选。有许多研究将这类选址问题转化为位置分配问题,旨在以能够满足运营和规划目标的方式合理布置充电站(Deb等人,2018年;Deb、Tammi、Kalita和Mahanta,2018年)。例如,Liu等人(2012年;Liu、Wen和Ledwich,2012年)就提出了一种结合了分布分析的最优规划方法
用于快速充电站最优布局规划的多目标决策框架
为构建一种基于序贯决策的计算方法,本研究采用了一种基于联邦学习的多目标深度强化学习框架,并结合地理空间分析技术。该框架旨在在考虑环境、经济和城市发展三大可持续性目标的前提下,识别复杂大规模城市环境中的快速充电站位置并估算各站点的容量。在本研究中,该联邦学习模型
研究结果
超参数设置对智能体的学习过程以及算法的整体性能有着至关重要的影响。在本研究中,智能体需要在每轮实验中从不同的起始点开始探索最优位置,且无需明确的指导目标。这样的设置会导致价值函数的数值出现波动,学习效果也不稳定。此外,由于研究环境具有随机性,奖励信号的分布往往较为稀疏,
讨论
快速充电站的最优布局受到多种因素的影响,而这些因素都与城市环境的地理特征密切相关。本研究提出的多目标强化学习模型能够依次做出决策,既确保快速充电站的公平布局,又能同时估算出充电站的合理规模。所提出的FLMODRL框架通过融入多目标优化和地理空间分析等要素,解决了以往电动汽车充电站规划研究中存在的可扩展性难题
结论
目前的公共快速充电基础设施在空间分布上存在失衡现象,大部分充电站都集中在市中心等需求较高的区域。这种分布模式加剧了不同地区在充电服务可及性方面的差距,也限制了城市中电动汽车用户获得公平充电服务的机会。尽管近期有一些研究试图将分布式能源资源与电动汽车充电站相结合进行布局,但现有的方法仍面临诸多挑战
未引用参考文献
(Ghosh等人,2021年;芝加哥市,2017年)
CRediT作者贡献说明
Jae Heo:负责原文撰写——初稿编写、可视化处理、方法设计、数据收集与分析、正式逻辑分析、数据整理工作。Soowon Chang:负责原文撰写——审阅与编辑、项目监督、资源协调、项目管理、方法设计、数据收集与分析、概念构思工作。
利益冲突声明
作者声明,他们不存在任何可能影响本文研究成果的已知财务利益关系或个人关联关系。
其中一位作者是《可持续城市与社会》期刊的编委会成员/主编/副主编/特邀编辑,但他并未参与本文的审稿工作,也未参与决定本文是否发表的相关流程。
生物通微信公众号
生物通新浪微博
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