《Sustainability》：Index-to-Insight: Measuring Household SDG 7 Attainment Through Rooftop Solar Deployment and Explainable Machine Learning
编辑推荐：
电动出行（Electromobility）是城市脱碳的核心，但其充电基础设施必须在用户行为存在巨大不确定性的情况下进行规模确定，这些行为因站点、一天中的时间和用户类型而异。本研究将层次贝叶斯模型（Hierarchical Bayesian Model, HBM
电动出行（Electromobility）是城市脱碳的核心，但其充电基础设施必须在用户行为存在巨大不确定性的情况下进行规模确定，这些行为因站点、一天中的时间和用户类型而异。本研究将层次贝叶斯模型（Hierarchical Bayesian Model, HBM）与基于代理的离散事件模拟（Agent-Based Discrete-Event Simulation）的充电网络相结合。研究人员通过马尔可夫链蒙特卡洛（Markov Chain Monte Carlo, MCMC）方法对公共ACN-Data数据集（涵盖52个站点的13,694次充电会话；16,468个用户请求）进行拟合，并在站点之间进行部分池化（Partial Pooling）。后验参数驱动了一个包含500辆车、跨越9种配置和30至180个充电位的24小时模拟。服务成功率从19%提升至81%，平均等待时间从110分钟降至62分钟；较长的工作场所停留时间限制了吞吐量，因此容量而非能量成为制约因素。在平衡权重下，采用配对自助法（Paired Bootstrap）的逼近理想解排序法（TOPSIS）选择了160个充电位，但该最优解仅在权重单纯形（Weight Simplex）的十分之一区域内成立，推荐范围在140至180个充电位之间。在固定硬件条件下，分散到达高峰可使服务率从67%提升至83%，相当于29%的容量扩张。当站点均匀分布时，空间显式分配（Spatially Explicit Assignment）会损失三个百分点的服务率，而当站点聚集时则损失六个百分点。该框架使过度配置的成本变得明确且依赖于偏好条件，而非指定单一最优解，从而为可持续容量规划提供了可重复的基础。
**论文解读文章**
**研究背景与现存问题**
电动出行（Electromobility）是城市脱碳的关键，但其充电基础设施的规模确定面临巨大挑战。用户行为在不同站点、一天中的不同时间段以及不同用户类型之间存在显著差异，导致充电需求具有高度不确定性。当前，充电基础设施的规划常常滞后于电动汽车的普及，导致充电站的数量、类型、位置和可用性经常与当地需求不匹配——要么供给不足，要么过度建设造成巨大成本浪费。传统的确定性模型（假设固定值或平均系统行为）难以准确描述真实充电运营的复杂性，无法充分表征不确定性、地点差异或需求的时变特征。因此，需要一种能够处理不确定性、基于真实数据并捕捉用户行为复杂性的概率统计模型来指导可持续的容量规划。
**研究目的与意义**
本研究旨在设计、构建并测试一个仿真系统，该系统结合层次贝叶斯模型（HBM）与基于代理的离散事件仿真，用于分析电动汽车充电站的利用率，理解用户行为，识别需求规律，并为充电网络的发展提出更有效的解决方案。该研究直接贡献于联合国可持续发展目标（SDG 7：可负担的清洁能源；SDG 11：可持续城市与社区；SDG 13：气候行动），通过使充电网络在不确定性下实现最优规模，避免过度配置带来的资源浪费和不足配置导致的出行障碍，从而支持可持续的电动出行。论文发表在《Sustainability》。
**主要关键技术方法**
研究人员采用了以下关键技术方法：1）**层次贝叶斯模型（HBM）**：利用马尔可夫链蒙特卡洛（MCMC）方法进行后验推断，通过部分池化（Partial Pooling）稳定站点级估计，并从历史数据中提取充电行为参数（能量交付、充电完成率）。2）**基于代理的离散事件仿真**：构建了一个24小时、5分钟时间步长的仿真环境，模拟车辆到达、充电位分配、队列管理和服务评估。3）**多准则决策分析（MCDM）**：采用逼近理想解排序法（TOPSIS）结合配对自助法，在服务成功率、平均等待时间和安装容量（或分段成本）之间进行权衡，并分析权重敏感性。4）**空间显式分配**：扩展了仿真以包含街道网格、站点坐标和距离偏好，评估站址布局对服务率的影响。数据来源为公共ACN-Data数据集（13,694次充电会话，52个站点，16,468个用户请求）。
**研究结果**
**Section 4. Results**
通过九种配置（30至180个充电位，固定500辆车）的仿真，**服务成功率随容量单调但高度凹形地提升**：从30个充电位的19%逐步上升至180个充电位的81%。在测试范围内，由于工作时间长导致充电位周转率低，**容量而非每日能量成为制约因素**，全服务并未达到。平均等待时间从约110分钟降至约60分钟。未服务车辆集中在下午需求高峰时段，进一步证实了高峰并发性（Peak-Hour Concurrency）是核心约束。
**Section 5. Discussion**
**5.1. Interpretation and Implications for Capacity Planning**：服务-容量曲线呈凹形，边际收益递减。规划者的价值在于定位该权衡点，在服务质量与资本成本之间取得平衡，同时避免过度或不足配置。**5.4. Multi-Criteria Selection of the Optimal Configuration**：基于TOPSIS的三种权重（平衡、服务优先、成本优先）分析，平衡权重下的最优配置为160个充电位（Scenario 8），但该最优解仅在权重单纯形的约12%区域内成立，推荐范围在140至180个充电位之间。**Robustness of the Ranking to Simulation and Weight Uncertainty**：通过配对自助法（30个共同随机种子）确认，在平衡权重下，Scenario 8与相邻配置的区分度很高（系数差距数倍于自助法标准差），但权重敏感性分析表明，推荐范围随偏好转移而在140至180个充电位之间移动。**5.5. Sensitivity to the Simulation Assumptions**：放弃阈值（1至4小时）和车队规模（300至1000辆车）的敏感性分析表明，并发性受限的行为是稳健的，但绝对服务率取决于具体假设。**5.5.2. Demand Shifting as an Alternative to Building Capacity**：在固定硬件下，将到达高峰从8小时展宽至16小时，服务率从67%提升至83%，相当于29%的容量扩张，但峰值负荷未降低。**5.7. Spatially Explicit Vehicle Assignment**：引入空间显式分配后，均匀布局的站点服务率损失约3个百分点，聚集布局损失约6个百分点；空间失配逐渐成为新的瓶颈，但推荐容量范围（140-180）在所有分配规则下均保持稳健。**5.6. A Segmented Cost Model and the Limits of Criterion Refinement**：分段成本模型（固定站点成本、交直流充电器差异、电网扩容、运维成本）将最优解仍保持在Scenario 8，但指出运行成本与服务质量高度共线，建议分开报告材料效率和货币成本。
**讨论与结论总结**
讨论部分指出，该框架的核心价值在于使过度配置的资源成本显式化，并提供了偏好条件的决策支持。研究发现，对于工作时间长的充电场景，需求侧措施（如通过定价或激励分散到达高峰）比单纯增加硬件更有效。空间显式分配揭示了站址布局的重要性，均匀布局可显著提升服务。研究结论部分翻译如下：
**结论（Section 6）**：本研究设计并实现了一个结合层次贝叶斯建模与基于代理的离散事件仿真的电动汽车充电仿真系统。利用ACN-Data数据集拟合了概率模型，部分池化提供了稳定、可转移且具有不确定性意识的参数估计。在500辆车的九种配置下，服务成功率从30个充电位的19%提升至180个充电位的81%；由于工作场所停留时间长，容量而非每日能量成为约束。多准则决策分析（TOPSIS）在平衡权重下将折中方案定位于140-180个充电位区间；配对自助法确认了估计的统计精度，但权重敏感性分析表明，推荐范围随偏好变化而在该区间内移动。空间显式分配表明，均匀布局的站点服务率损失约3个百分点，聚集布局损失约6个百分点，但推荐区间在所有分配规则下保持稳健。主要贡献在于提供了一个可复现的建模工具，将概率建模、多准则决策与离散事件仿真相结合，为可持续电动出行下的容量规划、需求峰值分析和智能充电策略设计提供了坚实基础。新颖性在于将层次贝叶斯推断、仿真和明确的偏好透明决策步骤整合为单一流水线，且基于开放数据集构建，每个阶段的不确定性均被传播并报告。
