电动汽车充电站充电需求预测及运营优化.pdfVIP

电动汽车充电站充电需求预测及运营优化

近年来，随着化石能源的逐渐枯竭和环境污染的不断加剧，电动

汽车（EV）作为传统燃油车的主要替代品之一，得到了快速的发展。

据国际能源署统计，2024年全球电动私家车总量达1700万辆，较

2023年（1400万辆）增长约25%。EV公共充电设施为EV提供充电

续航服务，也得到了快速发展。随着全球电动汽车保有量的快速增长，

城市充电基础设施的规划与管理面临着前所未有的挑战。

充电站的建设与运营涉及多个利益主体，主要包括充电站建设运

营商（简称充电站）和EV用户等。各个利益主体的利益并不一致，

例如，如果充电站加大投入，EV用户将获得更高质量的充电服务，

但充电站可能由于过高的充电设施闲置率和运维成本造成收益下降；

反之，EV用户将得不到可靠的充电服务，例如充电设施数量不足或

距离过远，排队等待时间过长等。

EV充电站部署的主要依据是EV用户充电需求的时空分布，充

电需求的时空分布受到EV规模、出行行为和充电行为等因素的影响。

一般来说，车流量大的地方充电需求旺盛，反之则充电需求较少。同

时，城市功能区也会影响EV用户的充电行为，例如，EV用户更倾

向于选择饭店、超市、停车场等需要滞留的场所进行充电。

准确预测充电需求对于充电用户寻桩难度及充电等待时间长、充

电设施利用率、充电站优化布局以及用户服务体验提升都具有重要意

义。由于大数据技术的兴起，数据驱动作为研究实际问题的方法之一

被广泛采用。本赛题旨在通过大数据技术及数学建模，为城市内公共

充电站充电量需求提供精准预测技术，为充电站扩容或缩减提供优化

方案以及为充电站提供动态定价方案。

本赛题提供的数据集及说明附件：

附件一：UrbanEV数据集说明。

附件一：UrbanEV数据集（包括数据，代码，数据介绍）。

附件二：UrbanEV数据集详细说明论文。

问题：

1根据附件给出的数据集，参赛者可以自行选取所需数据，

以及赛题之外可以获取的外部数据（比如，饭店、超市、停车场、居

民小区等信息，但需要注明出处），构建充电需求量预测模型对2023

年2月内各区域每小时的充电需求量进行预测，并对模型的预测效果

从均方根误差（RootMeanSquaredError，RMSE），平均绝对百分比

误差（MeanAbsolutePercentageError，MAPE），相对绝对误差（Relative

AbsoluteError，RAE）和平均绝对误差（MeanAbsoluteError，MAE）

等方面进行评估，也可以和数据集UrbanEV中提供的预测方法进行

预测效果对比分析。参赛者可以将数据集UrbanEV根据需求分成模

型训练、模型验证和测试3个部分。建议以2023年2月数据作为验

证数据集。

问题2：充电需求量受到多种因素的影响，比如充电价格，充电

服务费，网络拓朴结构，城市功能区poi等，进而影响到充电站运营

商的收益。请根据数据集UrbanEV及你能够搜集整理到的相关数据，

在问题1预测模型的基础上，构建动态定价模型对充电价格进行优

化，制定2023年2月内各动态定价区域每个小时的充电价格方案，

分别最大化各区域的运营收益，并分别与UrbanEV数据集提供的各

区域实际充电量与实际价格乘积对比所制定的动态价格方案的收益

改进效果。价格-需求弹性系数关系参赛者需自行从历史数据拟合。假

设各区域的电价成本均相同，收益中电价成本用参数代替，建议采用

0.3-0.5元/度。

问题3：各区域的充电需求量会受到多种因素的影响（如其它邻

近区域充电桩的变化、各功能区域饭店，超市，停车场，居民小区的

变化、电动车数量以及车流量的变化等），这使得单周期的充电桩部

署可能无法适应长期充电需求量的变化。为了提升充电桩部署规划的

稳健性和适应性，需要在根据动态充电