In the context of energy saving and carbon emission reduction, the electric vehicle (EV) has been identified as a promising alternative to traditional fossil fuel-driven vehicles. Due to a different refueling manner and driving characteristic, the introduction of EVs to the current logistics system can make a significant impact on the vehicle routing and the associated operation costs. Based on the traveling salesman problem, this paper proposes a new optimal EV route model considering the fast-charging and regular-charging under the time-of-use price in the electricity market. The proposed model aims to minimize the total distribution costs of the EV route while satisfying the constraints of battery capacity, charging time and delivery/pickup demands, and the impact of vehicle loading on the unit electricity consumption per mile. To solve the proposed model, this paper then develops a learnable partheno-genetic algorithm with integration of expert knowledge about EV charging station and customer selection. A comprehensive numerical test is conducted on the 36-node and 112-node systems, and the results verify the feasibility and effectiveness of the proposed model and solution algorithm.

The construction of smart cities contributes to promoting residents' life convenience and sustainable energy development. Despite these advancements, the challenge of fully analyzing and understanding residents' energy usage behaviors leads to inefficient energy use and potential economic losses. Current resident anomaly detection technologies rely on single-source energy data, lacking detailed behavior pattern analysis. Hence, this paper proposes a method to detect abnormal residential water and electricity usage by incorporating multi-source information. Specifically, the correlation between water and electricity usage of residential customers is analyzed based on real metering data and the use of the Copula distribution function, followed by the integration of two innovative data mining techniques to form an anomaly detection framework. The distance correlation coefficient algorithm is used to measure the relevance of users' water and electricity usage data. Then, the Density-Based Spatial Clustering of Applications with Noise (DBSCAN) algorithm is utilized to cluster the distance correlation coefficient for users and detect abnormal users whose distance correlation coefficient curves deviate from the normal user clusters. This multi-source approach avoids single-source bias by improving the data accuracy over one-dimensional methods. Experiments are implemented in a real low-voltage transformer area to prove the validity of the proposed method.

With the deployment of renewable energy, the load curve is expected to follow the renewable energy output curve to minimize the fluctuation of thermal power output in the source-load coordinated dispatching. The traditional indicators for the load curve are no longer enough to describe the load characteristics. A new load indicator called the source-load similarity distance is proposed by improving the similarity measurement method of the time series and calculating the similarity distance between the renewable energy output curve and the load curve. By combining the Euclidean distance with the improved dynamic time warping, the source-load similarity distance is obtained and the data distribution and morphological fluctuation characteristics can be simultaneously considered. The source-load coordinated dispatching model is also established to minimize the source-load similarity distance. The simulation results show that the source-load similarity distance can effectively describe the similarity characteristics of the renewable energy output curve and the load curve. Increasing the source-load similarity distance can reduce the thermal power operation cost by 56.2% and the cost of demand response by 25.3%, and increase the utilization rate of wind power by 4.6% compared to the dispatching model with the standard deviation indicator.