针对电动车辆和汽油车辆混合通行的情况优化充电站位置：一种随机用户均衡方法

《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》：Optimizing charging station locations for mixed traffic of electric and gasoline vehicles: a stochastic user equilibrium approach

充电站选址与容量优化研究提出混合整数非线性规划模型，整合随机用户均衡（SUE）框架与机器学习预测等待时间，优化EV-GV混合交通网络中充电站位置及充电桩数量，减少投资与交通成本。案例显示SUE模型相比传统UE模型使总成本降低48.83%，并验证了Sparrow算法、路径启发式方法及随机森林模型的联合有效性。

　　在当前全球范围内，电动汽车（EV）的普及速度正在加快。随着技术的进步和环保意识的提升，越来越多的人选择电动车作为日常出行工具。然而，电动车的推广仍然面临一些关键挑战，其中充电基础设施的布局和容量规划是影响其发展的重要因素。充电站（CS）的位置选择不仅关系到用户能否方便地找到充电设施，还直接影响到交通系统的整体运行效率。因此，如何科学合理地进行充电站的选址与容量配置，成为了一个亟待解决的问题。

在混合交通环境中，电动车与传统燃油车（GV）共存，这种共存带来了新的挑战。电动车的行驶行为与燃油车存在显著差异，特别是在充电需求方面。由于电动车需要定期充电，其行驶路径往往会受到充电站位置的影响，而燃油车则通常倾向于选择最短路径。这种差异导致了交通流的复杂化，使得传统的基于用户均衡（UE）的模型在实际应用中表现出一定的局限性。UE模型假设所有用户都能完全理性地选择最优路径，并且具有对交通状况的完整认知。然而，在现实交通环境中，用户的决策往往受到感知误差、信息不完全和个体偏好等因素的影响，这些因素使得UE模型无法准确反映实际的交通行为。

为了更真实地模拟用户的决策过程，本文提出了一种基于随机用户均衡（SUE）的充电站选址与容量规划模型。SUE模型能够捕捉用户决策中的不确定性，包括路径选择的随机性和用户对交通状况的不完全感知。这一模型的引入，使得充电站的选址不再仅仅依赖于最短路径，而是综合考虑了用户行为的多样性，从而更有效地优化充电站的分布和容量配置。此外，本文还强调了充电站等待时间对交通行为和选址决策的重要性。由于电动车在充电时需要排队，等待时间的长短会直接影响用户的出行体验和充电效率。因此，准确预测等待时间对于优化充电站选址至关重要。

本文的研究成果表明，基于SUE的模型在充电站选址方面具有显著优势。在对不同规模的交通网络进行案例研究后，发现该模型不仅能够更合理地部署充电站，还能有效降低整体的交通时间成本。在现实中的东部马萨诸塞州高速公路网络案例中，基于SUE的模型相比基于UE的模型，能够显著减少最短路径上的拥堵情况，从而提升整体交通效率。此外，本文还提出了一种基于机器学习的等待时间预测模型，该模型能够适应复杂和动态的交通环境，提高预测的准确性，为充电站选址提供更加可靠的依据。

为了应对模型的非凸性和嵌套结构，本文采用了多种算法进行求解。其中包括一种名为“麻雀搜索算法”（SSA）的群体智能算法，该算法具有参数简单、全局搜索能力强和收敛速度快等优点。同时，本文还结合了基于路径的平均成功方法（MSA）和随机森林模型，以解决SUE模型中的复杂性问题。这些算法的协同应用，不仅提高了模型的求解效率，还增强了模型的实用性。通过比较分析，本文验证了所提出算法的有效性和可扩展性，为未来的研究提供了重要的参考。

在充电站选址和容量规划的过程中，还需要考虑不同充电技术的特点。现有的充电技术主要包括插电充电、电池更换和动态无线充电。插电充电是最常见的形式，但其充电时间较长，可能会影响用户的出行体验。电池更换技术则可以在短时间内完成电池更换，提高能源补给效率，同时增强用户的便利性。然而，电池更换技术目前仍面临电池标准化不足等问题，限制了其大规模应用。动态无线充电技术则是一种新兴的解决方案，它能够在车辆行驶过程中进行充电，从而减少停车充电的需求。尽管这一技术具有较高的潜力，但其实际应用还受到成本和技术成熟度的制约。

在混合交通网络中，充电站的选址需要综合考虑多种因素，包括交通流量、用户行为、充电需求和基础设施成本等。本文提出的模型通过将SUE模型与充电站选址问题相结合，能够更全面地反映交通流的复杂性。同时，通过引入机器学习模型来预测等待时间，使得充电站的选址更加科学和高效。这种综合性的方法不仅提高了模型的准确性，还为实际应用提供了可行的解决方案。

此外，本文还通过案例研究验证了所提出模型的有效性。在对东部马萨诸塞州高速公路网络的实验中，研究结果表明，基于SUE的模型在降低交通时间成本和系统总成本方面表现优于基于UE的模型。这表明，考虑用户行为的不确定性对于优化充电站布局具有重要意义。同时，实验还展示了机器学习模型在预测等待时间方面的强大能力，为充电站的动态管理提供了新的思路。

本文的研究不仅具有理论价值，还具备重要的实践意义。通过考虑用户的感知误差和路径选择的随机性，所提出的模型能够更准确地反映实际交通状况，从而提高充电站选址的科学性和合理性。此外，模型中引入的等待时间预测方法，为充电站的运营管理提供了技术支持，有助于提升充电效率和用户体验。未来的研究可以进一步考虑动态交通需求和电力系统之间的相互作用，以实现更全面的充电站规划。

总之，本文通过引入SUE模型和机器学习方法，构建了一个综合性的充电站选址与容量规划模型，旨在解决混合交通网络中充电站布局的复杂问题。研究结果表明，该模型能够有效降低交通时间成本和系统总成本，提高充电站选址的准确性和实用性。本文的研究为电动汽车充电基础设施的规划提供了新的思路和方法，也为未来的相关研究奠定了基础。