基于空间语义和个体活动的电动汽车充电站选址方法

doi:10.11772/j.issn.1001-9081.2022091421

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (9): 2819-2827.DOI: 10.11772/j.issn.1001-9081.2022091421

基于空间语义和个体活动的电动汽车充电站选址方法

郭茂祖¹^,², 张雅喆¹^,², 赵玲玲³()

^1.北京建筑大学电气与信息工程学院, 北京 100044
^2.建筑大数据智能处理方法研究北京市重点实验室(北京建筑大学), 北京 100044
^3.哈尔滨工业大学计算学部, 哈尔滨 150001

收稿日期:2022-09-26 修回日期:2023-01-30 接受日期:2023-02-01 发布日期:2023-02-28 出版日期:2023-09-10
通讯作者: 赵玲玲
作者简介:郭茂祖（1966—），男，山东夏津人，教授，博士，CCF会员，主要研究方向：机器学习、智慧城市与智能建造
张雅喆（1997—），女，陕西韩城人，硕士研究生，主要研究方向：城市计算、人工智能；
基金资助:
国家自然科学基金资助项目(61871020);北京市属高校高水平科研创新团队建设支持计划项目(HT20190506)

Electric vehicle charging station siting method based on spatial semantics and individual activities

Maozu GUO¹^,², Yazhe ZHANG¹^,², Lingling ZHAO³()

^1.School of Electrical and Information Engineering，Beijing University of Civil Engineering and Architecture，Beijing 100044，China
^2.Beijing Key Laboratory of Intelligent Processing for Building Big Data （Beijing University of Civil Engineering and Architecture），Beijing 100044，China
^3.Faculty of Computing，Harbin Institute of Technology，Harbin Heilongjiang 150001，China

Received:2022-09-26 Revised:2023-01-30 Accepted:2023-02-01 Online:2023-02-28 Published:2023-09-10
Contact: Lingling ZHAO
About author:GUO Maozu， born in 1966， Ph. D.， professor. His research interests include machine learning， smart city and intelligent construction.
ZHANG Yazhe， born in 1997， M. S. candidate. Her research interests include urban computing， artificial intelligence.
Supported by:
National Natural Science Foundation of China(61871020);High Level Innovation Team Construction Program of Beijing Municipal Universities(HT20190506)

摘要/Abstract

摘要：

针对电动汽车充电站（EVCS）的选址问题，提出一种基于空间语义和个体活动模式的城市充电站选址方法。首先，根据城市规划，采用无监督学习对非服务半径内兴趣点（POI）进行聚类，以确定新建充电站个数；然后，采用受约束的双存档进化算法（CTAEA）求解目标函数，在站间距最大化以及新充电站覆盖POI最多的约束条件下优化电动汽车选址方案。以成都市二环路内出租车的轨迹数据和POI为实验样本，并规划了15个充电站的选址方案。实验结果表明，相较于NSGA2（Non-dominated Sorting Genetic Algorithm 2）和SPEA2（Strength Pareto Evolutionary Algorithm 2），CTAEA的POI覆盖率指标提高了22.9和20.6个百分点，司机平均选择距离缩短了18.9%和25.5%，验证了所提方法在电动汽车选址方面的便利性与合理性。

关键词: 充电站选址, 电动汽车, 需求预测模型, 聚类分析, 双存档进化算法

Abstract:

To address the issue of siting for Electric EVCS （Vehicle Charging Station）， an urban charging station siting method based on spatial semantics and individual activities was proposed. First， according to the urban planning， unsupervised learning was used to cluster the Point Of Interests （POIs） out of the service radius to determine the number of new charging stations. Then， Constrained Two-Archive Evolutionary Algorithm （CTAEA） was used to solve the objective function to optimize the electric vehicle siting scheme under the constraints of maximizing the distance between stations and covering the most POIs with new charging stations. The trajectory data and POIs of taxis in the second-ring road of Chengdu were used as the experimental samples， and siting scheme with 15 charging stations was planned. Experimental results show that compared with NSGA2 （Non-dominated Sorting Genetic Algorithm 2） and SPEA2 （Strength Pareto Evolutionary Algorithm 2）， CTAEA improves 22.9 and 20.6 percentage points on POI coverage， and reduces 18.9% and 25.5% on driver’s average selected distance， which illustrates the convenience and rationality of the method in electric vehicle charging station siting.

Key words: charging station siting, electric vehicle, demand forecasting model, cluster analysis, two-archive evolutionary algorithm

中图分类号:

TP391

郭茂祖, 张雅喆, 赵玲玲. 基于空间语义和个体活动的电动汽车充电站选址方法[J]. 计算机应用, 2023, 43(9): 2819-2827.

Maozu GUO, Yazhe ZHANG, Lingling ZHAO. Electric vehicle charging station siting method based on spatial semantics and individual activities[J]. Journal of Computer Applications, 2023, 43(9): 2819-2827.

图/表 15

参考文献 22

1	KANG Q， WANG J B， ZHOU M C， et al. Centralized charging strategy and scheduling algorithm for electric vehicles under a battery swapping scenario［J］. IEEE Transactions on Intelligent Transportation Systems， 2016， 17（3）：659-669. 10.1109/tits.2015.2487323
2	WU Y N， YANG M， ZHANG H B， et al. Optimal site selection of electric vehicle charging stations based on a cloud model and the PROMETHEE method［J］. Energies， 2016， 9（3）： No.157. 10.3390/en9030157
3	ZHANG Q， ZHU Y， WANG Z， et al. Siting and sizing of electric vehicle fast-charging station based on quasi-dynamic traffic flow［J］. IET Renewable Power Generation， 2020， 14（19）：4204-4214. 10.1049/iet-rpg.2020.0439
4	ZHOU B W， LITTLER T， FOLEY A. Electric vehicle capacity forecasting model with application to load levelling［C］// Proceedings of the 2015 IEEE Power and Energy Society General Meeting. Piscataway： IEEE， 2015： 1-5. 10.1109/pesgm.2015.7285829
5	杨珍珍，高自友. 数据驱动的电动汽车充电站选址方法［J］. 交通运输系统工程与信息， 2018， 18（5）：143-150.
	YANG Z Z， GAO Z Y. Location method of electric vehicle charging station based on data driven［J］. Journal of Transportation Systems Engineering and Information Technology， 2018， 18（5）：143-150.
6	SUN C， LI T， TANG X. A data-driven approach for optimizing early-stage electric vehicle charging station placement［EB/OL］. ［2022-02-12］. . 10.1109/tii.2023.3245633
7	PAN L， YAO E J， YANG Y， et al. A location model for Electric Vehicle （EV） public charging stations based on drivers’ existing activities［J］. Sustainable Cities and Society， 2020， 59： No.102192. 10.1016/j.scs.2020.102192
8	JORDÁN J， PALANCA J， DEL VAL E， et al. Localization of charging stations for electric vehicles using genetic algorithms［J］. Neurocomputing， 2021， 452：416-423. 10.1016/j.neucom.2019.11.122
9	臧海祥，傅雨婷，陈铭，等. 基于改进自适应遗传算法的EV充电站动态规划［J］. 电力自动化设备， 2020， 40（1）：163-170. 10.16081/j.epae.201912023
	ZANG H X， FU Y T， CHEN M， et al. Dynamic planning of EV charging station based on improved adaptive genetic algorithm［J］. Electric Power Automation Equipment， 2020， 40（1）：163-170. 10.16081/j.epae.201912023
10	夏敏浩，王骏，李新聪，等. 基于改进PSO算法的电动出租车充电站站址规划［J］. 电气自动化， 2020， 42（5）： 16-18， 41. 10.3969/j.issn.1000-3886.2020.05.005
	XIA M H， WANG J， LI X C， et al. Location planning for electric taxi charging stations based on improved PSO algorithm［J］. Electrical Automation， 2020， 42（5）： 16-18， 41. 10.3969/j.issn.1000-3886.2020.05.005
11	PAGANY R， MARQUARDT A， ZINK R. Electric charging demand location model - a user- and destination-based locating approach for electric vehicle charging stations［J］. Sustainability， 2019， 11（8）： No.2301. 10.3390/su11082301
12	CHEN X D， GAO C， CHEN X Y， et al. Multi-objective optimal allocation of DG-EV charging station considering space-time characteristics model［J］. IOP Conference Series： Earth and Environmental Science， 2021， 769（4）： No.042104. 10.1088/1755-1315/769/4/042104
13	HE H， GE Q. Location planning of electric taxi charging station based on driving trajectory［C］// Proceedings of the 2021 International Conference on Energy and Power Engineering. Les Ulis： EDP Sciences， 2021： No.01024. 10.1051/e3sconf/202127101024
14	ZUO A B. Prediction and distribution of EV charging stations［J］. AIP Conference Proceedings， 2019， 2066（1）： No.020048.
15	BAI X， CHIN K S， ZHOU Z L. A bi-objective model for location planning of electric vehicle charging stations with GPS trajectory data［J］. Computers and Industrial Engineering， 2019， 128：591-604. 10.1016/j.cie.2019.01.008
16	ESTER M， KRIEGEL H P， SANDER J， et al. A density-based algorithm for discovering clusters in large spatial databases with noise ［EB/OL］. ［2022-04-29］. . 10.1007/3-540-48238-5_5
17	黄丹慧. 基于DBSCAN算法的充电站多层次选址优化模型研究［D］.重庆：重庆大学， 2019：39-41.
	HUANG D H. Optimal model of locating multi-layer charging stations based on DBSCAN algorithm［D］. Chongqing： Chongqing University， 2019：39-41.
18	郭磊，王克文，文福拴，等. 电动汽车充电设施规划研究综述与展望［J］. 电力科学与技术学报， 2019， 34（3）：56-70. 10.3969/j.issn.1673-9140.2019.03.006
	GUO L， WANG K W， WEN F S， et al. Review and prospect of charging facility planning of electric vehicles［J］. Journal of Electric Power Science and Technology， 2019， 34（3）：56-70. 10.3969/j.issn.1673-9140.2019.03.006
19	LI K， CHEN R Z， FU G T， et al. Two-archive evolutionary algorithm for constrained multiobjective optimization［J］. IEEE Transactions on Evolutionary Computation， 2019， 23（2）： 303-315. 10.1109/tevc.2018.2855411
20	郭茂祖，杨倩楠，赵玲玲. 基于条件Wasserstein生成对抗网络的图像生成［J］. 计算机应用， 2021， 41（5）：1432-1437.
	GUO M Z， YANG Q N， ZHAO L L. Image generation based on conditional-Wassertein generative adversarial network［J］. Journal of Computer Applications， 2021， 41（5）：1432-1437.
21	JIANG H L， LIU B Q， WANG Y W， et al. Multiobjective TOU pricing optimization based on NSGA2［J］. Journal of Applied Mathematics， 2014， 2014： No.104518. 10.1155/2014/104518
22	ZITZLER E， LAUMANNS M， THIELE L. SPEA2： improving the strength Pareto evolutionary algorithm［R/OL］. （2001-05）［2022-06-12］..

特征		描述
基本信息	时间（Time）	时间戳转换为北京时间
	经度（Lng）	某一个活动点的经度
	纬度（Lat）	某一个活动点的纬度
	司机（ID）	出租车司机ID
高级信息	需求司机	根据EV占比以及需求率和车流密度产生
	需求区域	根据现有充电站服务半径筛选未被覆盖区域
	POI信息	活动点的名称

特征		描述
基本信息	时间（Time）	时间戳转换为北京时间
	经度（Lng）	某一个活动点的经度
	纬度（Lat）	某一个活动点的纬度
	司机（ID）	出租车司机ID
高级信息	需求司机	根据EV占比以及需求率和车流密度产生
	需求区域	根据现有充电站服务半径筛选未被覆盖区域
	POI信息	活动点的名称

司机编号	订单编号	时间戳	经度/（°E）	纬度/（°N）
8f20c9188561b796ef8e26196de30be4	39a096b71376b82f35732eff6d95779b	1477969198	104.075 76	30.723 08
1d6a00f022a7c78fd8e5f652557296ac	992578041ce98f9956d0c22a4bfc566a	1477989864	104.101 86	30.685 23
D0c7229ae9f6501dbd5c1237c1a31d1	d9d4e03abd6439d7149356c89e52f710	1477960321	104.073 03	30.684 55

司机编号	订单编号	时间戳	经度/（°E）	纬度/（°N）
8f20c9188561b796ef8e26196de30be4	39a096b71376b82f35732eff6d95779b	1477969198	104.075 76	30.723 08
1d6a00f022a7c78fd8e5f652557296ac	992578041ce98f9956d0c22a4bfc566a	1477989864	104.101 86	30.685 23
D0c7229ae9f6501dbd5c1237c1a31d1	d9d4e03abd6439d7149356c89e52f710	1477960321	104.073 03	30.684 55

序号	需求司机	最近充电站
0	［104.065°E，30.669°N］	［104.067°E，30.663°N］
1	［104.100°E，30.686°N］	［104.095°E，30.696°N］
2	［104.046°E，30.693°N］	［104.039°E，30.689°N］

基于空间语义和个体活动的电动汽车充电站选址方法

Electric vehicle charging station siting method based on spatial semantics and individual activities

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 22

相关文章 15

编辑推荐

Metrics

经度/（°E）	纬度/（°N）	充电站被选择次数
30.671 2	104.124 4	53
30.697 8	104.111 4	128
30.689 8	104.069 1	188
30.678 6	104.060 6	127
30.675 9	104.091 2	293
30.697 2	104.081 5	230
30.711 0	104.101 3	145
30.652 1	104.048 3	86
30.668 5	104.059 3	403
30.688 5	104.053 7	247
30.659 7	104.115 1	227
30.700 0	104.060 3	130
30.721 2	104.067 8	85
30.712 5	104.055 1	65
30.708 1	104.064 8	58

算法	POI覆盖数	选择原有充电桩次数	选择新建充电桩次数	建站后POI覆盖率/%	新建站被选择率/%	新建充电站平均选择率/%
建站前	4 488	4 602	—	—	—	—
CTAEA	6 632	2 466	2 488	72.8	48.7	3.25
NSGA2	4 545	3 076	1 622	49.9	31.7	2.12
SPEA2	4 752	3 988	633	52.2	12.4	0.83

算法	最小距离和/km	平均选择距离/km
现有充电站	14 550.8	2.85
CTAEA	5 674.1	1.11
NSGA2	6 992.2	1.37
SPEA2	7 629.0	1.49

[1]	李由之, 胡志华, 陈春, 杨培蓓, 董雅静. 基于双长短期记忆网络组合的网络货运平台成交定价预测模型[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1616-1623.
[2]	刘志硕, 刘若思, 陈哲. 基于混合蚁群算法的冷链电动汽车车辆路径问题[J]. 《计算机应用》唯一官方网站, 2022, 42(10): 3244-3251.
[3]	戴嫣然, 戴国庆, 袁玉波. 基于肤色学习的多人脸前景抽取方法[J]. 计算机应用, 2021, 41(6): 1659-1666.
[4]	周美玲, 陈淮莉. 基于负荷平衡的电动汽车模糊多目标充电调度算法[J]. 计算机应用, 2021, 41(4): 1192-1198.
[5]	郭佳, 韩李涛, 孙宪龙, 周丽娟. 自动确定聚类中心的比较密度峰值聚类算法[J]. 计算机应用, 2021, 41(3): 738-744.
[6]	陈港, 孟相如, 康巧燕, 阳勇. 基于拓扑分割与聚类分析的虚拟软件定义网络映射算法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3309-3318.
[7]	刘育良, 陈淮莉. 负载影响下纯电动汽车配送路径规划及充电策略[J]. 计算机应用, 2020, 40(10): 2831-2837.
[8]	任帅, 徐振超, 王震, 贺媛, 张弢, 苏东旭, 慕德俊. 基于多融合态的低密度三维模型信息隐藏算法[J]. 计算机应用, 2019, 39(4): 1100-1105.
[9]	孙石磊, 王超, 赵元棣. 基于轮廓系数的参数无关空中交通轨迹聚类方法[J]. 计算机应用, 2019, 39(11): 3293-3297.
[10]	武旭晨, 朴春慧, 蒋学红. 基于GPU并行计算的电动出租车新建充电站选址模型[J]. 计算机应用, 2019, 39(10): 3071-3078.
[11]	陆明炽, 王守华, 李云柯, 纪元法, 孙希延, 邓桂辉. 基于特征匹配和距离加权的蓝牙定位算法[J]. 计算机应用, 2018, 38(8): 2359-2364.
[12]	任帅, 张弢, 徐振超, 王震, 贺媛, 柳雨农. 特征点标注与聚类的三维模型信息隐藏算法[J]. 计算机应用, 2018, 38(4): 1017-1022.
[13]	李晔, 陈奕延, 张淑芬. 基于密度峰值的混合型数据聚类算法设计[J]. 计算机应用, 2018, 38(2): 483-490.
[14]	徐晓伟, 杜一, 周园春. 基于多源出行数据的居民行为模式分析方法[J]. 计算机应用, 2017, 37(8): 2362-2367.
[15]	梁双, 周丽华, 杨培忠. 基于聚类分析分库策略的社交网络数据库查询性能与数据迁移[J]. 计算机应用, 2017, 37(3): 673-679.