GA-EVLRU

GA-EVLRU电池交换需求数据集，包含由ST-EVCDP、UrbanEV和EV-Load-Open-Data转换生成的九个场景特定的数据集，每个数据集包含未结构化的需求数据（demand.csv）和归一化为1小时的数据（bss.csv）。该数据集用于研究电池交换站的概率估计和调度优化，采用了结合最少最近使用（LRU）策略、遗传算法和引导搜索机制的创新方法来增强全局优化能力。

原始信息汇总

GA-EVLRU电池交换需求数据集概述

数据集详情

数据集描述

• 数据集由ST-EVCDP、UrbanEV和EV-Load-Open-Data转换生成。
• 包含九个特定场景的数据集，每个数据集包含非结构化需求数据(demand.csv)和按1小时标准化的数据(bss.csv)。
• 用于电池交换站的概率估计和调度优化研究。

数据集来源

• 代码仓库: https://github.com/qingshufan/GA-EVLRU
• 研究论文: Probability Estimation and Scheduling Optimization for Battery Swap Stations via LRU-Enhanced Genetic Algorithm and Dual-Factor Decision System

用途

直接用途

• 用于电池交换需求预测和电池交换站优化的研究与开发。
• 用于训练和测试概率估计模型及GA-EVLRU算法。

非适用范围

• 不适用于与电池交换需求预测和优化无关的应用。
• 禁止违反GPL-3.0许可条款的商业用途。

数据集结构

• 包含九个数据集：acn、boulder_2021、dundee、palo_alto、paris、perth、sap、st-evcdp、urbanev。
• 每个数据集包含两个主要文件：demand.csv和bss.csv。

数据集创建

创建动机

• 提供不同场景下的电池交换需求数据，以支持更高效的电池交换站调度和优化算法开发。

源数据

• 数据收集与处理: 数据来自多个开源仓库，处理后生成demand.csv和bss.csv文件。
• 源数据生产者:
  • EV-Load-Open-Data由yvenn-amara提供。
  • ST-EVCDP和UrbanEV由IntelligentSystemsLab提供。

个人与敏感信息

• 数据集中不包含个人或敏感信息。

偏差、风险与限制

• 数据可能无法全面代表所有真实场景。
• 数据来源于特定开源仓库，可能未涵盖所有地理位置、电动车类型或充电模式。
• 标准化过程可能引入偏差。

建议

• 使用时需注意数据局限性，建议进行敏感性分析以评估潜在偏差的影响。

引用

bibtex @inproceedings{li2025gaevlru, title={Probability Estimation and Scheduling Optimization for Battery Swap Stations via LRU-Enhanced Genetic Algorithm and Dual-Factor Decision System}, author={Anzhen Li and Shufan Qing and Xiaochang Li and Rui Mao and Mingchen Feng}, journal={arXiv preprint arXiv:2504.07453}, year={2025} }

联系方式

• 如有问题，请联系研究论文作者或在代码仓库中提交问题。

搜集汇总

数据集介绍

构建方式

在电动汽车电池交换需求研究领域，GA-EVLRU数据集通过整合多个开源数据源构建而成。该数据集基于ST-EVCDP、UrbanEV和EV-Load-Open-Data三个开放项目的数据进行转换处理，形成了包含九种不同场景的电池交换需求数据集。每个场景数据集包含未经结构化的原始需求数据（demand.csv）和经过1小时标准化处理的数据（bss.csv），这种双重数据结构设计为研究提供了更全面的分析维度。数据转换过程严格遵循科学规范，具体处理方法详见相关研究论文和开源代码库。

特点

GA-EVLRU数据集最显著的特点在于其多场景覆盖能力和标准化处理。数据集囊括了从ACN到UrbanEV等九种典型场景，每种场景都包含原始数据和标准化数据两种形式，为研究电池交换站的需求预测和优化调度提供了丰富素材。特别值得一提的是，该数据集专为支持基于LRU策略增强的遗传算法研究而设计，其数据结构能够有效支撑概率估计模型的训练和验证。数据集采用GPL-3.0许可协议开放，确保了学术研究的可及性。

使用方法

使用GA-EVLRU数据集时，研究者可根据具体需求选择原始数据或标准化数据进行实验。对于电池交换需求预测研究，建议从demand.csv中提取原始时序特征；而进行调度优化算法验证时，bss.csv提供的标准化数据更为适用。数据集配套的研究论文详细介绍了如何将其应用于概率估计模型训练和GA-EVLRU算法验证。值得注意的是，使用时应遵守GPL-3.0许可条款，且仅限于电池交换需求预测和优化相关研究，避免超出许可范围的商业用途。

背景与挑战

背景概述

GA-EVLRU数据集由IntelligentSystemsLab等研究团队于2025年构建，旨在为电池交换站的需求预测与调度优化提供关键数据支持。该数据集整合了来自ST-EVCDP、UrbanEV和EV-Load-Open-Data三个开源项目的原始数据，通过创新性地结合最近最少使用(LRU)策略与遗传算法，构建了包含九种场景的标准化数据集。其核心研究聚焦于解决电动汽车普及背景下，电池交换站面临的动态需求响应与资源分配效率问题，为智能能源管理领域提供了重要的基准数据。

当前挑战

该数据集面临双重挑战：在领域问题层面，电池交换需求具有高度时空异质性，传统预测模型难以准确捕捉极端天气或特殊事件导致的突发性需求波动；在构建过程中，原始数据来自不同采集标准和地理分布的独立项目，需解决数据格式异构、采样频率不一致等问题。此外，归一化处理虽提升数据一致性，但可能弱化原始数据中的局部特征，影响模型在特定场景下的泛化能力。

常用场景

经典使用场景

在电动汽车能源管理领域，GA-EVLRU数据集为电池交换需求预测和调度优化提供了关键数据支持。该数据集通过整合多个开源数据源，生成了九种不同场景下的电池交换需求数据，包括非结构化需求数据和按小时归一化的数据。研究人员可以利用这些数据训练和测试概率估计模型，以及优化遗传算法与最近最少使用策略结合的调度系统，从而提升电池交换站的运营效率。

实际应用

在实际应用中，GA-EVLRU数据集为城市电动汽车电池交换站的规划和运营提供了数据支持。交通管理部门和能源企业可以利用该数据集优化电池交换站的布局，减少用户等待时间，并平衡电网负荷。例如，在高峰时段，基于数据集的预测模型可以帮助运营商提前调配电池资源，避免供需失衡，从而提升用户体验和能源利用效率。

衍生相关工作

围绕GA-EVLRU数据集，衍生了一系列经典研究工作，包括基于遗传算法的电池交换调度优化、双因素决策系统的设计，以及最近最少使用策略在能源管理中的应用。这些工作不仅扩展了数据集的学术价值，还为电动汽车基础设施的智能化发展提供了新的技术路径。相关成果已发表在多个顶级期刊和会议上，推动了该领域的理论创新和实践应用。