具有最佳定位的充电站的电动车辆(EV)充电基础设施的方法和系统

摘要

一种用于定位充电站的系统、方法和程序产品。移动检测模块从分布在区域中的车辆传感器中收集交通数据。映射匹配模块映射所述区域中的检测到的交通。车辆流量模块按时间描述映射的交通流量。电动车辆（EV）需求（EVR）评估器确定最佳充电站数量以及用于定位所述充电站的相应位置。

说明书

技术领域

本发明涉及运输，更具体地说，涉及电动车辆（EV）的充电站的定位。

背景技术

典型的电动车辆（EV）依靠大型车载储能电池或可再充电电池运行。 EV电池容量限制了EV在一次充电后可以行驶的距离。过去，没有可实 现长距离行驶的高容量电池以及足够大、高效率的电动机。因此，EV行 驶距离相对短。每台EV的预计剩余里程取决于行驶的距离、道路拓扑、 交通条件和天气条件。Morrow等人的“Plug-in Hybrid Electric Vehicle  Charging Infrastructure Review（插电式混合电动车辆充电基础实施综 述）”（美国DOE报告，合同编号58517，2008年11月）指出如果在住 宅之外提供充电站，则在没有商业充电站时，EV电荷消耗里程从40英里 减少至13英里。大多数EV驾驶员在家具有足够的充电容量以便在当地短 距离行驶。然而，驾驶员通常处于这样的情况：必须在家门之外（例如， 在工作场所、购物中心或活动位置）为车辆加油。

遗憾的是，当前EV基础设施具有很少、稀疏定位的商业充电站。通 常，充电站位于临时随意选择的位置。然而，这些位置可能不适合于EV 交通和/或充电需求，其中再充电可能通常需要几个小时。因此，这种当前 EV基础设施阻碍了EV的广泛采用。充电站之间的行驶距离（如果有） 抑制了EV的普及。在2000年，美国仅有9,367台EV运行。最近，因为 设计者专注于开发更高容量的电池以及提高电动机效率和容量，所以EV 的普及得以稳定增加。在低端，Pike Research估计到2015年美国的每年 EV销售量将增加至204,110台。联邦政府设定的目标是到2015年大约有 1百万台EV上路。然而，照这个趋势发展下去（并且根据这些估计）， 需要足够的EV基础设施以及按地理位置分布的再充电容量。

因此，需要具有根据服务需求定位的商业EV充电站的EV基础设施。

发明内容

本发明的一个特性是具有最佳定位的EV充电站的EV基础设施；

本发明的另一个特性是具有基于需求的EV充电站位置的EV基础设 施；

本发明的另一个特性是确定EV充电站的最佳位置以满足需求。

本发明涉及一种用于定位充电站的系统、方法和程序产品。移动检测 模块从分布在区域中的车辆传感器中收集交通数据。映射匹配模块映射所 述区域中的检测到的交通。车辆流量模块按时间描述映射的交通流量。电 动车辆（EV）需求（EVR）评估器确定最佳充电站数量以及用于定位所述 充电站的相应位置。

附图说明

从以下参考附图的对本发明的优选实施例的详细描述，将更好地理解 上述和其他目标、方面和优点，这些附图是：

图1A示出了根据本发明的优选实施例的用于确定电动车辆（EV）充 电站的最佳数量和位置的系统的实例；

图1B示出了根据本发明的优选实施例的EV需求预测的实例；

图2示出了从车辆流量数据中估计EV充电需求的EVR评估器的实 例；

图3示出了提供和使用充电需求模块（DM1）以确定每个位置的最佳 充电站数量的EVR评估器的实例；

图4示出了提供和使用定位模块（DM2）以确定最佳充电站位置和相 应充电器类型（多种）的EVR评估器的实例。

具体实施方式

所属技术领域的技术人员知道，本发明可以实现为系统、方法或计算 机程序产品。因此，本公开可以具体实现为以下形式，即：可以是完全的 硬件、也可以是完全的软件（包括固件、驻留软件、微代码等），还可以 是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。 此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介 质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程 序代码。

可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质 可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介 质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的 系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体 的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计 算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式 可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器 (CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在 本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质， 该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的 数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以 采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合 适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任 何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指 令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括 ——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的 组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作 的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸 如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C” 语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、 部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计 算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。 在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包 括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到 外部计算机（例如利用因特网服务提供商来通过因特网连接）。

下面将参照本发明实施例的方法、装置（系统）和计算机程序产品的 流程图和/或框图描述本发明。应当理解，流程图和/或框图的每个方框以 及流程图和/或框图中各方框的组合，都可以由计算机程序指令实现。这些 计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处 理装置的处理器，从而生产出一种机器，这些计算机程序指令通过计算机 或其它可编程数据处理装置执行，产生了实现流程图和/或框图中的方框中 规定的功能/操作的装置。

也可以把这些计算机程序指令存储在能使得计算机或其它可编程数据 处理装置以特定方式工作的计算机可读介质中，这样，存储在计算机可读 介质中的指令就产生出一个包括实现流程图和/或框图中的方框中规定的 功能/操作的指令装置(instruction means)的制造品（manufacture）。

也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、 或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执 行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其它 可编程装置上执行的指令能够提供实现流程图和/或框图中的方框中规定 的功能/操作的过程。

现在转到附图，更具体地说，图1A示出了根据本发明的优选实施例 的用于优化电动车辆（EV）充电基础设施、确定EV充电站的最佳数量和 位置的系统100的实例。优选系统100包括一个或多个交通传感器102、 模态检测模块104、移动数据库106、映射匹配模块108、分区划分数据库 110、车辆移动流量模块112、交通特征数据库114、EV密度数据库116、 EV电荷消耗数据库118、位置数据库120和约束数据库122。EV需求 （EVR）评估器130（例如，典型的通用计算机）例如生成映射（在显示 器上或用于打印）、最佳EV充电站数量以及这些充电站的最佳放置132。 最后，部署充电器，其中需要选择位置134以便例如按指示的那样为位置 配备商业EV充电站、交通条件、地理条件（斜坡等）和速度限制。

因此，优选系统100被动估计地理区域或范围中的EV充电的时空需 求，其中所述区域或范围具有多个分区。系统100从传感器102（例如， 手机信号塔、GPS设备和环形线圈检测器）中捕获匿名数据，并估计在时 间k从另一个分区到达一个分区（例如，从交通分析分区（TAZ）i到达 TAZj）并在时间l离开的总车辆数112。然后，EVR评估器130根据假设 每台EV在离开TAZi时已完全充电，以及对从TAZi行驶到TAZj消耗 的电荷的估计，从每个TAZj中的到达时间和停留时间来确定充电需求。 EVR评估器130例如根据估计的EV市场渗透116和每英里的电荷使用118 来确定每天EV充电需求。

应指出，尽管在此被示出为数据库106、110、114、116、118、120、 122在不同的单独存储装置中，但这仅是实例。数据库106、110、114、116、 118、120、122可以适当地分组存储在一个或多个存储装置中，这些存储 装置可以在本地、中心或远程定位。进一步，优选模块104、108、112和 130可以根据需要在单个通用计算机、多个此类计算机或不同此类计算机 中运行。

交通传感器102提供车辆类型，并且例如可以包括诸如车辆和/或手机 安装的全球定位系统（GPS）功能、车载诊断（OBD）传感器之类的车辆 定位设备，以及例如来自手机的呼叫详细记录（CDR）数据。车辆类型例 如可以包括轿车、公共汽车和自行车。原始交通数据将车辆类型与所述传 感器检测所述车辆的时间和位置匹配。

模态检测模块104按车辆类型对收集的原始传感器102数据进行分类。 首先，模态检测模块104处理传感器数据并标识关联的行驶模式，例如轿 车、公共汽车和自行车。然后，模态检测模块104将分类的原始传感器数 据与其各个行驶模式存放在例如中心定位的移动数据库106中。

映射匹配模块108将在移动数据库106中收集的分类原始移动数据转 换为路线和分区。然后，映射匹配模块108按路线、时间和分区将所述结 果存储在分区划分数据库110中。

车辆移动流量模块112将分区划分数据库110中的映射移动数据转换 为交通流量，从而对较长一段时期（例如几个月）内的交通数据取平均值。 生成的交通流量例如可以包括一天内从一个分区移动至另一个分区的车辆 数。优选地，所述结果包括从分区i流动至分区j的平均车辆数，这些车 辆在时间段k到达，在时间段l离开。可选地，交通流量可以包括按EV 类型（如果提供）对例如来自直接从车辆传感器中收集的数据中的交通进 行分类。

交通特征数据库114存储有关一天内街道上的平均车辆速度的历史数 据。EV密度数据库116包括EV的市场渗透数据。

EV电荷消耗数据库118将电荷消耗作为平均速度和车辆类型的函数 进行建模。本技术EV充电基础设施的状态包括在住宅或公寓内的隔夜充 电站，以及在诸如办公室、购物中心、旅游景点之类的位置的侧重机遇的 商业充电站。目前，具有三（3）种类型的充电器。级别Ⅰ充电器的成本为 0美元，并且可以为EV充电使其1小时大约行驶8英里。级别Ⅱ充电器 的目前最新报价为2,500美元，并且可以实现1小时大约行驶28英里的充 电能力。级别Ⅲ充电器的目前最新报价为25,000-30,000美元，并且可以 实现1小时大约行驶50英里的充电能力。大多数家庭具有/使用级别Ⅰ充 电器，而级别Ⅱ和级别Ⅲ充电器主要用于商业充电站位置。

位置数据库120包括有关位于所涵盖的地理区域中并且可以选择作为 EV充电站位置的关键位置（例如，购物中心、商业区和学校）的数据。 约束数据库122包括用于生成EV充电站数量和放置132而应用的预算、 策略和基础设施约束。EVR评估器130将交通流量和交通历史记录与受限 于预算、策略和基础设施约束的EV特征组合起来，以生成最佳EV充电 站数量和充电站放置132。

因此，如图1B的实例中所示，预测EV基础设施需求首先收集原始 移动数据106，映射（108）所述原始数据，并估计交通流量112。然后， EVR评估器130使用与所述估计的需求组合的地理、预算和策略约束来确 定特定范围内的EV充电站数量及其位置。首先，充电需求估计模块140 估计EV充电需求。然后，EVR评估器130使用充电需求模块142和设施 定位模块144递归确定最佳EV充电站数量和这些充电站的最佳放置132。

在每次迭代中，充电需求模块142使用调度模型，所述调度模型基本 上在一种限制下考虑定位问题，即，不受充电站位置数量的限制并且所有 类型的充电站都随时随地可用。因此，充电需求模块142使用所述调度模 型标识不受容量限制的最大所需位置数量，即，完全满足EV到达和停留 时间约束所需的每种类型的最大充电器数量。从此结果，设施定位模块144 基本上选择最佳充电站位置数量以便在预算内满足充电需求。因此，每次 迭代的最终结果包括每个位置中满足所述预算的每种类型的必需充电器数 量。

使用在每次当前迭代结束时标识的地点位置，充电需求模块142在更 严格的限制（即，在先前迭代中标识的更小的位置集合）下重新考虑定位 问题，并将所述结果传递到设施定位模块144。这将继续直到地点数量和 位置不会在迭代之间更改，或者可选地，所述更改不超过选定阈值。最终 迭代的结果132是最佳EV充电站数量和这些充电站的最佳放置。最终结 果132用于部署商业EV充电站134，以便每个位置具有每种类型的最佳 充电器数量。

因此，例如TAZ机构（例如当地政府或建筑师/工程师/承包商（A/E/C） 公司）可以确定TAZ中的预计EV充电需求和/或此TAZ中按类型的充电 站数量。通过此，所述TAZ机构可以颁布用于在特定地点（例如，购物 中心或商业区或市政停车场）定位充电站的指南。公用事业单位例如可以 设计和构建基础设施以满足这些位置的预计EV充电需求。

图2示出了从车辆流量数据1402中估计EV充电需求的充电需求估计 模块140的实例。车辆流量数据1402指示一天内从一个分区移动至另一个 分区的进入车辆数量并估计每个位置的充电需求，即，车辆从始发地i移 动至目的地j并从时间k到l在j停留。使用EV密度数据库116中的EV 市场渗透数据，充电需求估计模块140映射分区EV流量1404，即，映射 从始发地i到目的地j并从时间k到l在j停留的进入EV数量。然后，充 电需求估计模块140根据交通特征数据（例如，车辆类型、行驶的距离和 速度）114和EV电荷消耗数据118来估计EV流量1404的充电需求1406。 优选地，充电需求基于EV用户里程焦虑，即，通常触发再充电的选定充 电时间阈值。充电需求估计模块140将需求1408表示为作业，其中每个作 业i具有充电需求d_i，并且在时间k到达而到l完成充电。

图3示出了用于从需求作业1408中确定最大充电站位置数量的充电需 求模块142的实例。充电需求模块142首先获得可以在每个候选地点定位 （1422）的每种类型的最大充电器数量的列表1420。然后，充电需求模块 142根据随时间而到达的EV数量、每台EV所需的电荷以及在特定位置 的预计停留时间来估计需求1424。充电需求模块142通过估计每种类型充 电器充完各种所需电量需要的时间，描述每种充电器类型的充电容量 1426。例如，需要再充电以行驶25英里的EV可能需要在类型Ⅰ充电器上 充电大约3小时，在类型Ⅱ充电器上充电1小时，在类型Ⅲ充电器上充电 30分钟。接下来，充电需求模块142描述分区间交通转换1428。充电需求 模块142定义时间段，例如将研究的某个时期划分为各段时间。然后，充 电需求模块142将EV的到达映射到每个时间段的下限或上限。

然后，在此实例中，充电需求模块142将调度问题作为目标函数（DM1） 进行建模（1430），从而跨范围预测每天EV充电需求，以便获得每个候 选地点所需的每种类型的最小充电器数量以尽量满足需求。优选地，EVR 评估器130将优选的优化模型（DM1）传递到IBMCPLEX 1432 求解器，此求解器提供最大数量位置1434，并在每个满足区域需求的位置 具有多个充电器。

优选地，充电需求模块142以目标函数（DM1）的形式对所述调度问 题进行建模。典型的目标函数例如可以包括但不限于：涉及预报/预测的任 务（例如，财务预测和高速公路安全任务）；自适应过滤和系统标识任务 （例如，自适应均衡器以及用于语音/图像识别）；数据挖掘任务（例如， 数据群集和错误/故障诊断）；以及组合的优化任务（线性和非线性）。进 一步，美国政府将目标函数定义为“与确定解决方案如何之好的优化问题 关联的函数，例如，旅行推销员问题解决方案中的总边缘成本”。例如参 见www.itl.nist.gov/div897/sqg/dads/HTML/objective.html。因此，目标函 数基本上涉及各种元素/参数，其中一个元素/参数改变可标识最大值或最 小值。通过递归定位或确定此最大值或最小值，可以标识所述元素的最佳 布置。

因此，优选地，DM1包括一个二进制决策变量集合X_i，m，t，其中如果需 求i被分配在充电器m上完成，则X_i，m，t＝1，否则为零（0），即X_i，m，t∈0,1。 DM1参数包括：充电器集合M；充电需求集合I；时间段的开始时间集合 T；每个充电器m上的每个需求i的处理时间p_i，m；需求i准备开始充电的 时间r_i；每个需求i的所需停留时间w_i；需求i离开的时间d_i，即开始时间 加上停留时间(r_i+w_i）；以及安装充电器m的成本C_m。优选地，DM1具有 三个部分并具有以下形式

$\min \underset{i\in I}{\Sigma }{U}_i+\underset{i\in I}{\Sigma }\underset{i\in T}{\Sigma }{X}_{i,m,t}(r_i+p_{i,m})+\underset{i\in I}{\Sigma }{p}_{i,m}{C}_m{X}_{i,m,t}.$

第一部分

$\underset{i\in I}{\Sigma }{U}_i$

表示未满足的充电需求。最小化此部分将确保需求大部分（如果并非全部） 被分配给可用充电器。第二部分

$\underset{i\in I}{\Sigma }\underset{i\in T}{\Sigma }{X}_{i,m,t}(r_i+p_{i,m})$

是在特定充电器上处理的所有EV的完成时间之和。最小化此部分将确保 每个需求在没有不应有延迟的情况下到达一个空闲或即将空闲的充电器后 便开始处理。第三部分

$\underset{i\in I}{\Sigma }{p}_{i,m}{C}_m{X}_{i,m,t}$

将每个需求分配给每个充电器。最小化此部分将导致安装成本和处理时间 的最不可能产品。此第三部分还保证当在最不可能数量的充电器上容纳时， 满足所述目标函数的第一和第二部分。

应指出，每个部分并非独立于其他部分而被最小化。整体关系被最小 化。因此，例如在某些情况下，一个部分可能占优势，并在其他一个或两 个部分最大时提供最小结果。然而，通过限制优选的调度问题目标函数以 限制每次一台EV在任一充电站充电，并在这些约束下查找DM1的最小 值，初始迭代的结果确定（142）充电位置、最大充电站数量以及每个位置 的充电站或充电器类型。在每次后续迭代中，所述结果确定（142）最大充 电站数量、选定位置（设施定位模块144从先前集合中选择的位置）的充 电站或充电器类型。

在每次迭代中，限制优选的目标函数以将EV限制为实际充电约束 （即，每台EV在插入时开始充电并将继续直到完成）以及每个充电站一 台EV。因此，由于EV在可以开始充电之前必须到达准备为其充电的充 电器，因此一个约束

$\underset{t\le r_i}{\Sigma }\underset{m\in M}{\Sigma }{X}_{i,m,t}=0$

将开始为每台EV充电限制为在相应充电站准备就绪之后的时间或EV到 达时间。此外，在每个充电站开始之后，为每台EV充电需要给定时间才 完成，并且EV通常在断开连接之前充满电。因此，还限制优选的充电需 求模块以便每台EV在相应预定时间完成充电，所述预定时间由

$\underset{t\le r_i}{\Sigma }\underset{m\in M}{\Sigma }{X}_{i,m,t}=0$

限制。

由于某些EV可能在每个时期或时间段内没有完全充电，例如，如果所有 充电站均被占用或EV在当前时期内放电，因此某种需求可能仍未满足。 因此，通过由

$\underset{t\in T}{\Sigma }\underset{m\in M}{\Sigma }{X}_{i,m,t}{p}_{i,m}+U_i=1,\forall i\in I$

限制所述充电需求模块，解决未满足的需求，即，无法充电或未能执行此 操作以完成充电的任何EV。

每台正在充电的EV必须在充电站停留足够长的时间以完成充电。因此， 需求满足约束

$\underset{t\in T}{\Sigma }\underset{m\in M}{\Sigma }{X}_{i,m,t}{p}_{i,m}-w_i\le 0,\forall i\in I$

将确保充电器服务于EV需求，其中所述处理时间少于所述EV停留时间。

每次仅一台EV可以在充电器或充电站中充电。因此，尽管某些充电 站可能空闲，但在任何充电站中每个时间段都从仅一台有需求的EV开始。 因此，约束

$\underset{t_{\mathrm{inT}}}{\Sigma }\underset{m\in M}{\Sigma }{X}_{i,m,t}\le 1,\forall i\in I$

防止多台EV在每个时间段的开始占用同一充电器m。当任一EV充电时， 它单独占用相应的充电站。在所述处理时间内或充电持续时间内，不能调 度任何其他EV使用此充电站。因此，

$X_{i,m,t}+\underset{j\in I;j\ne i}{\Sigma }\underset{\tau =t}{\overset{t+p_{i,m}}{\Sigma }}{X}_{i;m;\tau }=0,\forall i\in I,m\in M$

防止在处理期间调度多个/其他EV。任何未占用的充电器均空闲，并且仍 然可用于调度其他EV。为了防止在任何时间曾经将多台EV分配给同一 充电站以及生成的死锁，通过

$\underset{j\in I;j\ne i}{\Sigma }{X}_{i;m;\tau }\le 1,\forall t\in I,m\in M$

限制所述充电需求模块，这将每个充电站限制为在任何瞬间仅有一台EV， 为一个充电器分配最多1台汽车。

理想情况下，容量等于需求，并且定位的充电站满足所有需要充电的 EV的充电需求而没有EV具有未满足的需求，即，处于全容量状态。然 而，优选的充电需求模块142发现根据上述约束限制的DM1的限制，并 在每个位置提供基本上描述每个位置的充电级别的需求数据，所述充电级 别最初用于整个位置集合而随后用于选定的位置集合，并且在每个位置具 有无限制的容量，即，不受容量限制。充电需求模块142提供结果，所述 结果指示每个位置的类型t的充电器数量和每个位置的需求，以及所有潜 在充电器位置对之间的距离。EVR评估器130使用每个位置的需求数据来 限制定位模块144确定哪些充电站位置最佳以及每个位置的充电器（多个） 的类型（多种）。

图4示出了使用定位模型（DM2）确定最佳充电站位置和每个位置的 相应充电器类型（多种）的设施定位模块144的实例。设施定位模块144 通过包括以下各项的约束来限制用于充电需求的定位模型：用于定位EV 充电站的候选位置集合I；充电器类型t，其中目前t=1,2,3；要在i中定位 的类型t的最大充电器数量以及候选位置i和j之间的距离d_ij。设施 定位模块144聚合每种充电器类型t的每天需求1440以获得i中的充电器 类型t的每天总需求

设施定位模块144设置（1442）其他定位模块参数，包括：距离阈值 Z；充电器类型t的充电容量w_t；安装类型t充电器的成本C_t；以及总预算 约束B。通常，所述距离阈值、所述安装充电器的成本以及所述总预算约 束取决于例如政府机构或与政府签约安装EV充电站的那些机构所采取的 政策相关决策。每个充电器的充电容量由充电器自身的物理属性和结构定 义。

接下来，设施定位模块144使用设施定位模块（DM2）确定（1444） 在i中定位的类型t的实际充电器数量在j中满足的i中充电器类型t 的实际需求以及在i中定位的在i中满足的充电器类型t的实际需求 其中优选地，设施定位模块144通过将定位模型（DM2） 传递（1444）到选择所述候选位置的IBMCPLEX求解器来进行 此确定。优选地，DM2是具有以下形式的用于位置优化的目标函数

$\max \underset{t=\mathrm{1,2,3}}{\Sigma }\left[\underset{i\in I}{\Sigma }(D_t^i-Y_t^i-\frac{1}{d_{\mathrm{ij}}}\underset{j|d_{\mathrm{ij}}\le Z}{\Sigma }{Y}_t^{\mathrm{ij}})\right].$

因此，DM2考虑每个位置的最大充电器数量、预算约束、关键位置数 据库以及分区之间的距离，并解决所述设施定位问题以便从所述候选位置 集合中查找最佳充电站数量及其位置。为了例如因EV活动和数量增加而 随后升级所述区域，可以例如通过将现有的现场充电器的成本设置为0， 针对现有充电站和容量限制所述位置。在每次迭代中，将所述结果与先前 迭代中的结果比较，并且只要它们不匹配，便将所述结果返回到所述充电 需求模块以进行下一次迭代。匹配的结果提供最佳充电站数量及其位置 132。最后，使用所述结果定位商业EV充电站134，并在每个位置中放置 每种类型的最佳数量充电器。

因此，有利的是，优选系统从通勤器（commuter）中被动收集移动数 据；使用收集的数据确定一天内不同时间的EV充电需求；以及最后响应 于需求而定位EV充电站。因此，定位的EV充电站便于快速加油并增加 EV行驶里程，从而允许EV所有者自由行驶而不必担心因放电的EV和没 有可用的充电设施而搁浅。

在此使用的术语只是为了描述特定的实施例并且并非旨在作为本发明 的限制。如在此所使用的，单数形式“一”、“一个”和“所述”旨在同 样包括复数形式，除非上下文明确地另有所指。还将理解，当在此说明书 中使用时，术语“包括”和/或“包含”指定了声明的特性、整数、步骤、 操作、元素和/或组件的存在，但是并不排除一个或多个其他特性、整数、 步骤、操作、元素、组件和/或其组的存在或增加。

下面权利要求中的对应结构、材料、操作以及所有装置或步骤以及功 能元件的等同替换，旨在包括任何用于与在权利要求中具体指出的其他元 件相组合地执行该功能的结构、材料或操作。出于示例和说明目的给出了 对本发明的描述，但所述描述并非旨在是穷举的或是将本发明限于所公开 的形式。在不偏离本发明的范围和精神的情况下，对于本领域的普通技术 人员来说许多修改和变化都将是显而易见的。实施例的选择和描述是为了 最佳地解释本发明的原理、实际应用，并且当适合于所构想的特定使用时， 使得本领域的其他普通技术人员能够理解本发明的具有各种修改的各种实 施例。