Программные продукты и системы

Введение. Увеличение доли электромобилей (ЭМ) в современном городском транспортном потоке обусловливает необходимость разработки и применения научных подходов, которые позволят определить оптимальные места для расположения зарядной инфраструктуры. Это будет способствовать экономии индивидуальных ресурсов пользователей, эффективному использованию капитальных затрат операторов сети зарядных станций, а также эргономичным планировочным решениям в урбанистике, содействующим популяризации ЭМ.

Определение конфигурации гетерогенной распределенной электрозарядной инфраструктуры требует учета таких факторов, как минимальное расстояние, которое необходимо преодолеть ЭМ до зарядной станции, процент  текущего заряда, емкость аккумулятора, мощ- ность силовой установки, положение зарядной станции, и спрос на нее, поведение водителя,  а также соотношение типов разъемов станции и ЭМ.

Одним из научных подходов к определению оптимальной конфигурации гетерогенной распределенной электрозарядной инфраструктуры является разработка системы мультиагентного моделирования поведения ЭМ. При этом создание такой системы связано с решением ряда противоречий, что позволяет говорить о ее разработке как о комплексной научной проблеме. Среди противоречий, в частности, непредсказуемость зарядного поведения водителей, ограниченность данных, разнообразие типов ЭМ, масштабируемость, сложность и др.

Таким образом, целью исследования является разработка системы мультиагентного мо- делирования поведения ЭМ в условиях городской улично-дорожной сети применительно  к конфигурации гетерогенной распределенной системы электрозарядной инфраструктуры.

Анализ литературы

Обобщенный анализ подходов к моделированию функционирования электротранспорта представлен в работе [1]. Отмечается, что сложность маршрутизации ЭМ обусловлена накладываемыми на поездки ограничениями  и количеством узлов, которые необходимо посетить. К наиболее значимым факторам, которые важно учитывать при моделировании, следует отнести временной период и протяженность поездки, вместимость транспортного средства. Кроме того, ЭМ требуют учета уров- ня заряда батареи, наличия зарядных станций, технологии зарядки и ее стоимости, а также параметров, связанных с аккумуляторной батареей.

В работе [2] предлагаются математическая модель и метод решения задачи оптимального размещения центров двухуровневой сети перевозок на основе применения алгоритма кластеризации с проекцией.

В [3] исследуется новая процедура поиска сложного, но оптимального маршрута, основанная на эвристических подходах.

В работе [4] с целью оценки энергетических показателей ЭМ, в том числе расхода энергии, энергии рекуперации, изменения степени заряженности аккумуляторной батареи ЭМ, сформирована математическая модель системы электрооборудования легкового ЭМ.

Следует отметить, что задача построения сети зарядных станций не решена в общем виде теоретически. На практике исследователи используют различные методы и подходы. Так,  в работе [5] определение мощности и мест ус- тановки зарядных станций решается как оптимизационная задача. При этом минимизируется целевая функция (оптимальная цена за 1 кВт мощности) достаточно сложного вида, учитывающая как экономические, так и технические (в частности, изменение реактивной мощности и вызванные этим дополнительные потери) факторы.

В работе [6] рассматривается определение потребности в зарядных станциях. На первом этапе авторы осуществляют зонирование области в зависимости от плотности населения, наличия точек притяжения и административно-экономической активности. Далее разрабаты- ваются две модели. Одна представляет собой вероятностную характеристику спроса на ус- луги зарядных станций с учетом уровня полезности, оцениваемой пользователями. Вторая функция – это уровень распространения ЭМ, опирающийся на характеристики использующих их домохозяйств. На заключительном шаге эти две модели соотносятся. В результате получают среднюю величину обслуживания для каждой зоны с точки зрения количества обслуживаемых пользователей.

В работе [7] рассмотрен процесс разработки модуля расстановки зарядных станций с использованием двух платформ: языка высокого уровня Python, позволяющего реализовать работу всего алгоритма, проводить необходимые вычисления, обработку данных, в том числе геоинформационной системы QGIS, которая используется как средство взаимодействия с пользователем и как интерфейс для получения графического представления работы модуля.

Подход к расчету количества электрозаправочных станций (ЭЗС), определяющий число электромобилей на точку зарядки, представ- лен в [8], где адаптируются нормы расчета количества точек заправки автомобилей жидким топливом. В работе используются удельные нормы количества электромобилей и автомобилей на одну точку зарядки (заправки); время зарядки электромобиля и заправки автомобиля; среднее количество заправок за расчетный период.

В работе [9] представлен интересный подход к выбору факторов размещения сети ЭЗС. В качестве основного критерия для оценки инфраструктурной доступности зарядных станций в РФ авторы предлагают использовать показатель запаса хода.

В [10] проводится анализ зарядного пове- дения водителей. С одной стороны, зарядное поведение моделируется как использование любой возможности для зарядки либо как зарядка только дома. С другой стороны, начальный заряд  либо рандомизируется в интервале от 20 до 80 %, либо ставится критически низким в соответствии со стратегией максимальной заряд- ки. Базовый сценарий рассматривает ситуацию со случайными значениями текущего заряда  в диапазоне от 20 до 80 %, предполагая, что для экономии срока службы батареи люди заряжают в этом диапазоне и имеют остатки заряда батареи. Заряжаются автомобили при появлении возможности и до полной мощности.

Наиболее интересным для моделирования взаимодействия между ЭМ и инфраструктуройзарядки, на взгляд авторов, является использование мультиагентного моделирования [11]. Мультиагентная модель транспортного моделирования предлагается для оценки влияния движения ЭМ и процесса зарядки на энергосистему с различными стратегиями ценообразования на электроэнергию и различными приоритетами зарядки. Мультиагентный метод также используется для получения крупномасштабного пространственно-временного распределения зарядки ЭМ в [12], где представлен метод моделирования характеристик зарядки ЭМ с уче- том дорожной ситуации.

Исходной точкой предлагаемого инструмента является микросимулятор дорожного движения, который во многих работах доказал свою применимость для моделирования дорожного движения и электромобильности [13, 14]. Моделирование городской мобильности (Simula- tion of Urban Mobility, SUMO) является общепринятым инструментом для определения влияния определенных мер не только на параметры трафика, но и на окружающую среду,  а также вариантов их использования [15].  Поскольку SUMO представляет собой проект  с открытым исходным кодом на языке Python, принято решение использовать его в настоящей работе.

Постановка эксперимента и моделирование

Несмотря на то, что SUMO широко используется для моделирования транспортных потоков в городских условиях, при моделировании зарядной инфраструктуры для ЭМ стандартная модель SUMO демонстрирует ряд существенных ограничений, снижающих точность и реалистичность симуляции:

– нереалистичная динамика зарядки;

– отсутствие механизма формирования очередей;

– ограниченная гранулярность моделирования;

– невозможность репрезентации многоточеч- ных станций.

Традиционно при моделировании в SUMO зарядную станцию представляют как участок дороги, где ЭМ заряжаются во время движения или останавливаются на продолжительное вре- мя для зарядки (рис. 1).

В настоящее время это, как правило, не согласуется с практикой. Длительность зарядки зависит от мощности зарядного устройства, текущего уровня заряда батареи и ее емкости.  В связи с этим будем считать нереалистичной динамику зарядки стандартной модели.

Стоит отметить, что стандартный подход SUMO может быть применим для моделирования динамической зарядки ЭМ на дорогах с индукционными зарядными элементами. Однако для моделирования более распространенного сценария стационарной зарядки требуется альтернативный подход, предлагаемый в данном исследовании.

В качестве следующего существенного недостатка стандартной модели SUMO необходимо выделить отсутствие механизма формирования очередей. Это особенно критично  в контексте растущей популярности электротранспорта и потенциальной перегрузки зарядной инфраструктуры.

К недостаткам стандартного подхода отнесем отсутствие дифференциации типов зарядных коннекторов и их характеристик. Это снижает точность симуляции и не позволяет учитывать разнообразие существующих стандартов зарядки.

В заключение отметим невозможность реализации многоточечных станций, в то время как реальные зарядные комплексы часто включают несколько точек зарядки с различными параметрами.

Для преодоления указанных ограничений  и приближения имитационной модели к реальному поведению ЭМ была разработана и импле- ментирована усовершенствованная концепция системы ЭЗС при моделировании ЭМ в SUMO.

Система ЭЗС представляет собой гетерогенную распределенную систему, описываемую связным графом, вершины и дуги которого имеют различную природу:

G = (N, E),

где N – множество вершин с описанием их признаковых свойств; E – множество связей меж- ду вершинами с описанием их признаковых свойств.

Вершины представляют собой небольшие станции ЭЗС с несколькими пунктами зарядки (Charging Points, CP), а также и крупные зарядные хабы с десятками точек различной мощности:

n Î CP;                                                  (1)

CP можно укрупненно представить следующим кортежем параметров:

CP = ,                        (2)

где ID – идентификатор; Pw – мощность зарядки; CT – тип коннектора (например, CCS, CHAdeMO, Type 2); Lat, Lon – географические координаты.

Связи характеризуются наличием двух координат, позволяющих рассчитать расстояние между объектами.

В предлагаемой модели каждая ЭЗС представляет собой множество отдельных точек  зарядки, которые можно интерпретировать как индивидуальные парковочные места с зарядными устройствами.

Наглядная демонстрация различий между реальным миром, стандартной моделью SUMO и предлагаемой усовершенствованной реализацией представлена на рисунке 2.

В качестве ключевых аспектов усовершенствованной модели взаимодействия ЭМ и ЭЗС в SUMO выделим следующие:

-   дезагрегация зарядной инфраструктуры: каждая ЭЗС (Charging Station, CS) состоит из набора отдельных CP (1), что позволяет более точно моделировать реальную конфигурацию зарядных станций;

-   индивидуализация характеристик точек зарядки в соответствии с (2);

-   реалистичное моделирование процесса зарядки: ЭМ останавливаются на конкретных CP на время, необходимое для зарядки, что более точно отражает реальное поведение ЭМ;

-   управление очередями: модель позволя- ет формировать и управлять очередями как на уровне всей CS, так и на уровне отдельных CP;

-   гибкость конфигурации: модель позволяет легко конфигурировать различные типы CS. С помощью данного подхода можно достичь значительно более точного и реалистичного отображения процесса зарядки ЭМ с учетом таких важных факторов, как гетерогенность зарядной инфраструктуры, динамика формирования очередей и влияние индивидуальных характеристик CP на общую эффективность CS;

-   возможность моделирования различных стратегий управления зарядкой и распределения нагрузки.

Важной особенностью, реализованной в модели, является алгоритм принятия решения  о необходимости зарядки и перенаправлении ЭМ на зарядную станцию. Авторы придерживаются концепции гибкого зарядного поведения водителей. Этот подход позволяет моделировать более реалистичное поведение водителей, учитывая, что не все водители принимают решение о зарядке при одном и том же уровне заряда батареи.

C целью оптимизации процесса моделирования и упрощения взаимодействия стандартного Python-пакета TraCI c симуляционной средой SUMO разработана высокоуровневая обертка traciInterface.

Представим пример вероятностной реализации решения о направлении ЭМ на ЭЗС в разра- ботанном авторами пакете traciInterface языка Python:

import random

from traciInterface import simulation, Vehicle, ChargingStation

simulation.start(is_gui=True, is_analytics=True, quit_on_end=True)

def get_random_percentage():

return random.randint(5, 20)

while simulation.is_active_vehicles_and_persons:

simulation.step()

for vehicle in Vehicle.get_list():

if vehicle.is_electric:

if vehicle.battery_level < get_random_percentage():

ChargingStation.charge(vehicle=vehicle)

simulation.stop()

Ключевые особенности traciInterface.

·       Объектно-ориентированный подход: traci- Interface обеспечивает реализацию доступа  к основным структурам SUMO через классы, что значительно улучшает организацию и читаемость кода.

·       Расширенная функциональность: параметры классов не только отражают параметры структур SUMO, но и предоставляют возможность сохранения дополнительной информации, такой как конечная точка назначения при установке промежуточной цели.

·       Автоматизация сбора данных: благодаря применению traciInterface обеспечивается реализация автоматического сбора аналитики. При активации соответствующего параметра  в корневом каталоге создается файл с характеристиками каждого транспортного средства на каждом шаге симуляции.

·       Оптимизация конфигурирования: traci- Interface внедряет механизмы автоматического поиска и загрузки конфигурационных файлов SUMO, что упрощает процесс настройки симуляции.

Для иллюстрации преимуществ использования traciInterface рассмотрим пример реализация изменения цвета ЭМ в зависимости от уровня заряда батареи стандартными средства- ми Python-пакета TraCI:

import os

import sys

import traci

if 'SUMO_HOME' in os.environ:

  sys.path.append(os.path.join(os.environ['SUMO_HOME'], 'tools'))

  sys.path.append(os.path.join(os.environ['SUMO_HOME'], 'tools/turn-defs'))

else:

  THIS_DIR = os.path.abspath(os.path.dirname(__file__))

  sys.path.append(os.path.join(THIS_DIR, 'turn-defs'))

sumo_cmd = ["sumo-gui", "-c", "run.sumocfg"]

green = (38, 255, 0, 255)

white = (255, 255, 255, 255)

traci.start(sumo_cmd)

step = 0

while traci.simulation.getMinExpectedNumber() > 0:

  traci.simulationStep()

  for vehicle in traci.vehicle.getIDList():

    if traci.vehicle.getColor(vehicle) != white:

    traci.vehicle.setColor(vehicle, white)

    if (

      float(traci.vehicle.getParameter(vehicle, "device.battery.actualBatteryCapacity")) /

      float(traci.vehicle.getParameter(vehicle, "device.battery.maximumBatteryCapacity"))

   ):

      traci.vehicle.setColor(vehicle, green)

traci.close()

Представим пример реализации изменения цвета ЭМ в зависимости от уровня заряда батареи с использованием traciInterface:

from traciInterface import simulation, Vehicle

green = (38, 255, 0, 255)

white = (255, 255, 255, 255)

simulation.start(delay=0, is_start=True)

while simulation.is_active_vehicles_and_persons:

  simulation.step()

  for vehicle in Vehicle.get_list():

    if vehicle.get_color() != white:

        vehicle.set_color(white)

    if vehicle.battery_level < 20:

        vehicle.set_color(green)

simulation.stop()

В отличие от существующего подхода, в котором процесс зарядки ЭМ моделируется путем пропускания нескольких шагов симуляции, авторами предлагается моделирование зарядки ЭМ пошагово, как и всех остальных событий, реализованных в SUMO. Это позволяет более точно отразить динамику процесса зарядки ЭМ и его влияние на общую загружен- ность транспортной сети (рис. 3); материалы собраны с использованием программно-аппа- ратного комплекса «Fleet» и электромобиля «Еvolute i-pro».

Для эффективного распределения ЭМ по CS и CP применяется плотностный алгоритм пространственной кластеризации с присутствием шума DBSCAN. Этот подход позволяет реализовать двухэтапный процесс зарядки: макроуровень – перенаправление ЭМ к CS и микроуровень – выбор конкретной CP в пределах CS.

Характеристики зарядных станций задаются в конфигурационном файле SUMO, что обеспечивает гибкость в настройке симуляции.

Разработанный алгоритм перенаправления ЭМ на ЭЗС включает следующие этапы (рис. 4):

– Инициация процесса зарядки: исследователь определяет условия, при которых ЭМ должен быть направлен на зарядку. Это осуществляется вызовом статического метода charge класса ChargingStation: ChargingStation.charge (vehicle=vehicle). Метод также позволяет явно указать конкретную CS, если это необходимо.

– Выбор конкретной CS и маршрутизация  к ней. Здесь ЭМ добавляется в очередь ближайшей или выбранной CS и перенаправляется на въезд этой станции.

 – Выбор CP. При приближении ЭМ к CS (когда дистанция становится меньше задан- ного порога) он удаляется из очереди CS, определяется подходящий CP на станции, и ЭМ добавляется в очередь к этой точке.

 – Завершение зарядки. По окончании процесса зарядки ЭМ удаляется из очереди CP  и перенаправляется на свою исходную в конечную точку маршрута.

Каждая ЭЗС в представленной модели имеет четко определенную структуру: въезд на основную дорогу и выезд с нее, при этом между ними находится пространство для формирования очереди ЭМ. Такая конфигурация позволяет реалистично моделировать процессы подъезда к станции, ожидания в очереди и последующей зарядки.

Экспериментальное исследование проводилось на базе разработанной топологической модели, реализующей концепцию Manhattan grid. Данная топология была выбрана из-за ее репрезентативности для типичных городских сценариев и возможности систематического размещения объектов зарядной инфраструктуры.

Размещение ЭЗС в экспериментальной модели осуществлялось на основе предопределенной схемы, разработанной для система- тического исследования влияния количества  и расположения зарядных станций на эффективность системы общественной зарядной инфраструктуры. Станции были стратегически размещены в ключевых точках сети Манхэттен для обеспечения различных сценариев покрытия. Моделирование проводилось при разном количестве ЭЗС (см. табл. и рис. 5).

Конфигурация размещения ЭЗС  при моделировании

Configuration of placing EV  charging stations during simulation

Подобный подход к размещению ЭЗС позволил провести систематическое исследование влияния плотности распределения станций на эффективность функционирования парка ЭМ. Варьирование количества станций от 2 до 10 обеспечило возможность анализа различных сценариев развития общественной зарядной инфраструктуры от минимального покрытия до насыщенной сети зарядных станций.

Моделирование взаимодействия ЭМ с ЭЗС осуществлялось с учетом следующих ключевых параметров.

– Стохастическая генерация маршрутов: для каждого агента ЭМ генерировался индивидуальный маршрут с использованием алгорит- ма случайного выбора начальной и конечной точек. Данный подход обеспечивал репрезентативную имитацию разнообразия городских поездок, характерных для реальных условий эксплуатации электротранспорта.

– Вариативность популяции ЭМ: в рамках эксперимента производилось последовательное увеличение количества агентов ЭМ от 20 до 120 с шагом в 20 единиц. Это позволило исследовать влияние плотности электротранспорта на эффективность зарядной инфраструктуры и на общую динамику системы.

– Унифицированный начальный уровень заряда: для всех агентов ЭМ устанавливался идентичный начальный уровень заряда аккумуляторной батареи, равный 50 % от максимальной емкости. Данное условие обеспечивало стандартизированную начальную точку для анализа процессов разрядки и зарядки  в ходе симуляции.

Реализованная параметризация агентов ЭМ позволила представить репрезентативную модель поведения электротранспорта в гетерогенной распределенной системе городской среды, учитывающую как индивидуальные особенности маршрутов, так и общую динамику изменения плотности ЭМ в городской улично-дорожной сети.

Выводы и результаты

Для комплексной оценки эффективности системы функционирования ЭМ и оптимальности расположения ЭЗС были введены следующие ключевые метрики:

– коэффициент критической разрядки (Criti- cal Discharge Ratio, CDR):

где N_0 – количество шагов симуляции с нулевым зарядом ЭМ; N_total – общее количество шагов;

– индекс низкого заряда (Low Charge In- dex, LCI):

где N20 – количество шагов симуляции с зарядом ЭМ ниже 20 %;

– среднее время ожидания зарядки (Average Charging Wait Time, ACWT):

где N_wait – время ожидания каждого ЭМ  в очереди на зарядку; N_charge – общее количество сессий зарядки.

Результаты моделирования, полученные с использованием разработанного пакета traci- Interface, представлены на рисунке 6.

Проведенное исследование демонстрирует эффективность разработанной модели зарядной инфраструктуры для ЭМ. Модель позволяет более точно и реалистично симулировать процессы зарядки ЭМ в городской среде, учитывая сложные взаимодействия между ЭМ  и зарядными станциями. В частности, в результате проведенного исследования разработана  и имплементирована усовершенствованная модель взаимодействия общественной зарядной инфраструктуры и легковых ЭМ, исходя из  гетерогенности и индивидуальных характеристик точек зарядки. Разработан высокопроизводительный интерфейс traciInterface для оптимизации процесса моделирования в SUMO. Реализован алгоритм пошагового моделирования процесса зарядки, обеспечивающего высокую точность симуляции. Предложены ключевые метрики, позволяющие оценивать эффективность процесса взаимодействия ЭЗС и ЭМ при моделировании в среде SUMO.

Анализ результатов моделирования позволяет сделать ключевые выводы.

– Система взаимодействия ЭМ и ЭЗС характеризуется нелинейной динамикой. Все метрики демонстрируют нелинейное поведение при изменении количества ЭМ и ЭЗС, что подтверждает необходимость применения разра- ботанного комплексного подхода к моделированию.

– Эффект насыщения инфраструктуры. При увеличении количества ЭЗС наблюдается асим- птотическое поведение CDR и LCI, свидетельствуя об эффективности предложенной стратегии размещения зарядных станций.

– Оптимизация размещения ЭЗС. ACWT  демонстрирует высокую чувствительность  к расположению ЭЗС, что подтверждает важность стратегического планирования при размещении зарядной инфраструктуры.

– Валидация модели: полученные результаты обосновывают адекватность предложенного подхода к моделированию, демонстрируя корректное отражение ожидаемых тенденций  в распределении значений метрик.

Результаты экспериментов подтверждают, что предложенный подход обеспечивает адекватное отражение реальных сценариев исполь- зования ЭМ и зарядной инфраструктуры по сравнению со стандартной моделью SUMO. Это создает основу для принятия более обоснованных решений при планировании развития городской зарядной инфраструктуры и оптимизации ее использования.

Дальнейшие исследования в этом направлении могут существенно способствовать развитию ЭМ в городской среде и повышению эффективности городских транспортных систем.

Предлагаемые авторами решения позволят обеспечить реалистичное моделирование процесса зарядки ЭМ в городской среде с учетом глобальной оптимизации выбора зарядных станций, и локальной оптимизации использования конкретных зарядных точек.

Список литературы

1.   Abid M., Tabaa M., Chakir A., Hachimi H. Routing and charging of electric vehicles: Literature review. Energy Reports, 2022, vol. 8, no. 2, pp. 556–578. doi: 10.1016/j.egyr.2022.07.089.

2.   Есипов Б.А. Программные средства решения задач оптимизации размещения транспортных объектов  на основе алгоритма кластеризации с проекцией // Программные продукты и системы. 2018. Т. 31. № 1. С. 5–11. doi: 10.15827/0236-235X.121.005-011.

3.   Есин М.С., Корепанова А.А., Сабреков А.А. Агрегация и анализ сведений логистических компаний для построения сложного маршрута перевозки груза // Программные продукты и системы. 2023. Т. 36. № 2. С. 309–319. doi: 10.15827/0236-235X.142.309-319.

4.   Сидоров К.М., Грищенко А.Г., Коновалов Н.Н. Расчет энергетических показателей электромобиля в различных условиях движения // REDS: Телекоммуникационные устройства и системы. 2021. Т. 11. № 4. С. 68–71.

5.   Xu X., Niu D., Li Y., Sun L. Optimal pricing strategy of electric vehicle charging station for promoting green behavior based on time and space dimensions. J. of Advanced Transportation, 2020, vol. 2020, no. 12, pp. 1–16.  doi: 10.1155/2020/8890233.

6.   Sica L., Deflorio F. Estimation of charging demand for electric vehicles by discrete choice models and numerical simulations: Application to a case study in Turin. Green Energy and Intelligent Transportation, 2023, vol. 2, no. 2,  art. 100069. doi: 10.1016/j.geits.2023.100069.

7.   Бучацкий П.Ю., Теплоухов С.В., Онищенко С.В. и др. Разработка модуля размещения зарядных станций для электротранспорта на основе использования геоинформационных систем // Вестн. АГУ. Сер.: Естественно-математич. и технич. науки. 2023. № 3. С. 81–88. doi: 10.53598/2410-3225-2023-3-326-81-88.

8.   Камольцева А.В., Писарев Г.А. Методика определения количества электромобилей на точку зарядки // Вестн. науч. конф. 2019. № 6–2. С. 56–58.

9.   Камольцева А.В., Писарев Г.А. Подход к определению параметров сети зарядных станций для электромобилей // Транспорт на альтернативном топливе. 2020. № 5. С. 62–69.

10. Klingert S., Lee J.W. Using real mobility patterns to assess the impact of 100% elec-trified mobility in a German city. Energy Inform., 2022, vol. 5, no. 1, art. 32. doi: 10.1186/s42162-022-00248-x.

11. Márquez-Fernández F.J., Bischoff J., Domingues-Olavarría G., Alaküla, M. Using multi-agent transport simulations to assess the impact of EV charging infrastructure deployment. Proc. IEEE ITEC, 2019, pp. 1–6.

12. Chen C., Wu Z., Zhang Y. The charging characteristics of large-scale electric vehicle group considering characteristics of traffic network. IEEE Access, 2020, vol. 8, pp. 32542–32550. doi: 10.1109/ACCESS.2020.2973801.

13. Lopez P.A., Behrisch M., Bieker-Walz L. et al. Microscopic traffic simulation using sumo. Conf. ITSC, 2018,  pp. 2575–2582.

14. Khan Z., Khan S.M., Chowdhury M., Safro I., Ushijima‐Mwesigwa H. Wireless charging utility maximization and intersection control delay minimization framework for electric vehicles. Computer‐Aided Civil and Infrastructure Engineering, 2019, vol. 34, no. 7, pp. 547–568. doi: 10.1111/mice.12439.

15. Pribyl O., Blokpoel R., Matowicki M. Addressing EU climate targets: Reducing CO2 emissions using cooperative and automated vehicles. Transportation Research Part D: Transport and Environment, 2020, vol. 86, art. 102437.  doi: 10.1016/j.trd.2020.102437.

References

1.      Abid, M., Tabaa, M., Chakir, A., Hachimi, H. (2022) ‘Routing and charging of electric vehicles: Literature review’, Energy Reports, 8(2), pp. 556–578. doi: 10.1016/j.egyr.2022.07.089.

2.      Yesipov, B.A. (2018) ‘Software tools for solving optimization problems of transport object placement based on a clustering algorithm with projection’, Software & Systems, 31(1), pp. 5–11 (in Russ.). doi: 10.15827/0236-235X.121.005-011.

3.      Yesin, M.S., Korepanova, A.A., Sabrekov, A.A. (2023) ‘Aggregation and analysis of logistics company data for constructing complex cargo transport routes’, Software & Systems, 36(2), pp. 309–319 (in Russ.). doi: 10.15827/0236-235X.142.309-319.

4.      Sidorov, K.M., Grishchenko, A.G., Konovalov, N.N. (2021) ‘Calculation of energy indicators of an electric vehicle under various driving conditions’, REDS: Telecommunication Devices and Systems, 11(4), pp. 68–71 (in Russ.).

5.      Xu, X., Niu, D., Li, Y., Sun, L. (2020) ‘Optimal pricing strategy of electric vehicle charging station for promoting green behavior based on time and space dimensions’, J. of Advanced Transportation, 2020(12), pp. 1–16. doi: 10.1155/2020/8890233.

6.      Sica, L., Deflorio, F. (2023) ‘Estimation of charging demand for electric vehicles by discrete choice models and numerical simulations: Application to a case study in Turin’, Green Energy and Intelligent Transportation, 2(2), art. 100069. doi: 10.1016/j.geits.2023.100069.

7.      Buchatsky, P.Yu., Teploukhov, S.V., Onishchenko, S.V. et al. (2023) ‘Development of a charging station placement module for electric transport based on geographic information systems’, Vestn. of Adyghe State University. Ser.: Natural-Math. and Tech. Sci., (3), pp. 81–88 (in Russ.). doi: 10.53598/2410-3225-2023-3-326-81-88.

8.      Kamoltseva, A.V., Pisarev, G.A. (2019) ‘Methodology for determining the number of electric vehicles per charging point’, Vestn. of Sci. Conf., (6–2), pp. 56–58. (in Russ.).

9.      Kamoltseva, A.V., Pisarev, G.A. (2020) ‘Approach to determining the parameters of the charging station network for electric vehicles’, Transportation on Alternative Fuels, (5), pp. 62–69 (in Russ.).

10.    Klingert, S., Lee, J.W. (2022) ‘Using real mobility patterns to assess the impact of 100% electrified mobility in a German city’, Energy Inform., 5(1), art. 32. doi: 10.1186/s42162-022-00248-x.

11.    Márquez-Fernández, F.J., Bischoff, J., Domingues-Olavarría, G., Alaküla, M. (2019) ‘Using multi-agent transport simulations to assess the impact of EV charging infrastructure deployment’, Proc. IEEE ITEC, pp. 1–6.

12.    Chen, C., Wu, Z., Zhang, Y. (2020) ‘The charging characteristics of large-scale electric vehicle group considering characteristics of traffic network’, IEEE Access, 8, pp. 32542–32550. doi: 10.1109/ACCESS.2020.2973801.

13.    Lopez, P.A., Behrisch, M., Bieker-Walz, L. et al. (2018) ‘Microscopic traffic simulation using sumo’, Conf. ITSC, pp. 2575–2582.

14.    Khan, Z., Khan, S.M., Chowdhury, M., Safro, I., Ushijima‐Mwesigwa, H. (2019) ‘Wireless charging utility maximization and intersection control delay minimization framework for electric vehicles’, Computer‐Aided Civil and Infrastructure Engineering, 34(7), pp. 547–568. doi: 10.1111/mice.12439.

15.    Pribyl, O., Blokpoel, R., Matowicki, M. (2020) ‘Addressing EU climate targets: Reducing CO2 emissions using cooperative and automated vehicles’, Transportation Research Part D: Transport and Environment, 86, art. 102437. doi: 10.1016/j.trd.2020.102437.