基于贝叶斯优化与多智能体模拟的电动汽车充电基础设施选址规划研究

本文提出了一种集成贝叶斯优化（BO）与多智能体交通模拟（MATSim）的创新框架，用于解决城市电动汽车（EV）充电基础设施的优化布局问题。该框架通过概率充电需求模型精准捕捉用户行为与网络效应，在丹麦弗雷德里克斯伯格的实证案例中显著提升规划效率（减少2/3模拟运行次数）与社会福祉（提升22.4%），为高密度城区充电网络部署提供了科学范式。

　　

章节亮点

术语表

指标

_i | 智能体索引

_d | 天数索引

_c | 充电插头索引

参数

_D | 分析总天数

_I | 智能体总数

VoT_i | 智能体_i的时间价值（丹麦克朗/小时）

C_c^cost | 充电插头_c的安装成本（丹麦克朗）

ρ | 运营商购电电价（丹麦克朗/千瓦时）

σ | 运营商售电电价（丹麦克朗/千瓦时）

变量

O^prof | 运营商净利润（丹麦克朗）

U^cost | 用户总成本（丹麦克朗）

W_d,i | 智能体_i在第_d天的等待时间（小时）

R | 运营商收入（丹麦克朗）

I^cost | 总安装成本（丹麦克朗）

S^cost | 总成本

文献综述

现有充电基础设施布局研究可分为三类目标：需求密度覆盖、路径导向优化及财务成本控制。Pagany等（2018）指出，需求密度类研究旨在最大化电动汽车充电需求的空间覆盖，而路径类目标则需综合考量行程长度、交通密度、行程时间（含排队与步行时间）等动态因素。

方法论

本研究提出的贝叶斯优化（BO）框架遵循仿真优化范式（图1）。通过输入空间探索生成初始模拟数据集后，BO利用高斯过程（GP）回归构建目标函数的代理模型，并基于采集函数（如预期改进EI）智能引导模拟资源向最优解区域集中，显著降低计算开销。

优化结果

针对4种不同EV渗透率（r^p）场景的优化结果表明（表4），当单插头日成本为12丹麦克朗时，其远低于用户时间价值（VoT），使得最优解可通过部署足量插头彻底消除排队现象。表5显示在r^p=1.5%场景下，最优解已在初始拉丁超立方采样（LHS）阶段被发现。

讨论

基于丹麦弗雷德里克斯伯格6万余名智能体的案例验证表明，本框架能稳健获取收敛解，且高斯过程回归与采集函数的协同机制可系统提升解质量。公共充电设施在EV渗透率达10%时承担65.4%的充电会话量及67.7%的能量传输，凸显其在高密度城区的关键作用。

结论

本研究通过MATSim多智能体交通模拟与贝叶斯优化的深度融合，构建了能精确反映交通动力学与充电行为交互的高分辨率评估框架。该方法为城市电动汽车充电网络规划提供了兼顾计算效率与决策精度的新路径。