供需条件下电动出租车充电站优化与评估

《Sustainable Cities and Society》：Electric taxi charging station optimization and evaluation under demand–supply conditions

　　**摘要要点**- i2SFCA–GA–MATSim框架可优化电动出租车充电网络。- 基于流行度的充电枪分配方案在不同场景中均提高了奖励充电量。- 优化后的布局减少了电池耗尽情况，提升了网络性能。- 充电枪密度对系统效率的贡献大于单纯的充电站数量。---## 引言城市交通电气化已成为缓解气候变化、减少温室气体排放以及改善城市空气质量的重要途径。电动汽车（EV）日益被视为实现全球碳中和目标的关键基石（Bang等，2016；Gavranovi?等，2014）。在众多城市车辆类别中，出租车因其高强度使用、高日行驶里程和连续运营特性而具有尤为重要的影响力。因此，出租车的电气化在减少城市排放和增强城市交通系统可持续性方面具有巨大潜力（Metais等，2022；Ndhlovu等，2025；Zhang等，2024）。出租车车队向电动化转型不仅与脱碳目标相一致，还支持向可持续、韧性且数据驱动的移动系统更广泛的转变（Anthony, Jr., 2023；Kinsella等，2023）。尽管电动汽车技术和充电基础设施投资取得了快速进展，许多城市仍然面临有效满足电动出租车车队充电需求方面的挑战。充电站的空间分布往往不均衡或与实际出租车运营模式严重错位（Tu等，2016）。此外，与私家车不同，出租车运营时间长且需要在工作时段内频繁充电（Wang等，2023）。这导致充电需求在空间上高度集中，常常引发排队延误、绕行和服务中断等问题（Metais等，2022；Sun, 2021）。这些低效现象不仅制约了出租车的生产效率，也限制了电动出租车采用的可扩展性和可靠性。解决基础设施供给与运营需求之间的不匹配仍是可持续城市交通规划中的核心挑战。现有关于电动汽车充电基础设施规划的研究主要聚焦于私家车，依赖于简化的优化模型，如距离最小化或覆盖最大化（Adenaw和Lienkamp, 2021；Yi等，2023）。这些方法往往忽视了商业出租车车队独特的行为与运营特征，包括现实中的出行模式、充电拥堵以及充电需求与基础设施供给之间的反馈效应。此外，大多数研究缺乏系统性的方法来评估和量化在现实运营条件下所提出的优化策略的性能（Lei等，2022）。因此，在开发数据驱动、行为感知且基于仿真支持的模型方面仍存在显著的研究空白，这些模型可利用现实出行需求数据来优化并评估电动出租车车队充电基础设施规划的有效性。为应对这一开放性问题，需要回答以下研究问题：- **RQ1：** 如何有效量化和评估电动出租车充电需求与供给之间的空间平衡？- **RQ2：** 如何将实际出租车运营数据与基于仿真的优化方法相结合，以捕捉充电行为和拥堵效应？- **RQ3：** 所提出的框架如何提升电动出租车车队充电基础设施的运营效率和利用率？为回答上述研究问题，我们提出了一个数据驱动的仿真框架，集成了电动出租车运营数据、充电行为建模和基础设施优化。具体而言，涉及电动出租车充电站空间部署的RQ1和RQ2通过一个基于优化的部署框架来解决，该框架纳入了实际出行需求、网络可达性和站级拥堵情况。关于所提框架如何改善充电基础设施使用效率的RQ3，通过将优化后的配置嵌入基于代理的交通仿真中进行考察，从而在现实运营条件下实现定量评估。该框架因此提供了系统性的见解，以评估不同规划策略在提升电动出租车充电基础设施空间效率、利用平衡和服务性能方面的有效性。本研究的主要贡献可总结如下：- 开发了反演两步浮动捕捉区（i2SFCA）方法，用于量化站级需求-供给关系并捕捉充电拥堵。- 将充电基础设施优化组件嵌入UrbanEV-MATSim，以复现电动出租车的移动和充电行为。- 利用大规模出租车轨迹数据将框架应用于上海，证明了其生成更符合运营实际的优化充电布局的能力，并为政策制定者和城市规划者提供了可操作的洞察。本文其余部分结构如下：第2节提供相关文献综述。第3节介绍方法框架，包括使用i2SFCA方法估计充电需求、使用遗传算法优化充电站部署，以及基于流行度的充电枪分配。第4节展示仿真设置与结果。主要结论与未来工作在第5节中阐述。---## 章节片段### 文献综述设施选址理论为根据人类需求的空间分布确定最优设施位置提供了基础框架。传统模型通常采用点需求方法，假设需求产生于离散位置，如家庭、工作场所或商业中心。基于人口统计、地籍或调查数据的多边形空间单元通常被抽象为代表点以简化计算（Church, 2002；Tong等，### 基于i2SFCA的需求-供给分析为评估潜在充电需求与候选充电位置之间的平衡，本研究应用了反演两步浮动捕捉区方法（i2SFCA）（Wang, 2018；Wang, 2021）。该框架提供了一种基于需求-供给的站级流行度度量，反映了在距离约束下各充电站所吸引的潜在充电需求的相对集中度。在本研究中，该指标被用作空间需求的中性容量度量。### 研究区域与数据集本研究的研究区域为中国上海市城区，作为全球最大的大都市区之一，其交通需求极高且电动汽车普及速度迅速，如图1所示。上海复杂的城市结构、大规模出租车车队以及广泛的充电基础设施使其成为研究基于代理的电动汽车运营和充电行为的理想试验场。此外，上海出租车系统的一个显著特征是其轮班运营模式：许多出租车是……### 结论本文提出了一个框架，通过集成i2SFCA模型、遗传算法以及基于代理的UrbanEV-MATSim仿真来优化和评估电动出租车充电基础设施。i2SFCA方法通过分析出租车空驶时间和充电站可达性来量化空间需求-供给关系和充电站流行度水平，而遗传算法则在不同的基础设施条件下识别充电站的最优空间配置……---## CRediT作者贡献声明**胡文燕（Wenyan Hu）：** 原稿撰写、验证、资源提供、方法论、调查研究。**张俊杰（Junjie Zhang）：** 审阅与编辑、可视化、方法论。**谭金凯（Jinkai Tan）：** 审阅与编辑、资源提供、项目管理、资金获取。**黄天强（Tianqiang Huang）：** 审阅与编辑、指导监督、资源提供、项目管理、调查研究、资金获取。**罗海峰（Haifeng Luo）：** 审阅与编辑、项目管理、方法论、调查研究、数据管理。---## 利益冲突声明作者声明，不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。---**作者列表：** 胡文燕 | 张俊杰 | 谭金凯 | 黄天强 | 罗海峰