加利福尼亚州中型和重型卡车充电基础设施的路线导向规划
《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》:Route-informed planning for medium- and heavy-duty truck charging infrastructure in California
【字体:
大
中
小
】
时间:2026年09月20日
来源:TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT 8.7
编辑推荐:
• 基于运营的评估为加利福尼亚州的分级货运充电基础设施规划提供了参考。
• 在走廊压力、均衡和短途主导三种情景下,对比了停车场充电和公共快充的表现。
• 在电池电动车队占比较高的情况下,夜间停车场充电在走廊压力情景下会增加空驶里程。
• 圣华金谷地走廊承担着较大的路线负担,而
• 基于运营的评估为加利福尼亚州的分级货运充电基础设施规划提供了参考。
• 在走廊压力、均衡和短途主导三种情景下,对比了停车场充电和公共快充的表现。
• 在电池电动车队占比较高的情况下,夜间停车场充电在走廊压力情景下会增加空驶里程。
• 圣华金谷地走廊承担着较大的路线负担,而模拟的充电停靠点集中在城市站点。
• 基于路线的结论在实施前仍需进行电网、土地、费率、排队和社区暴露分析。
引言
中型和重型车辆虽然占车队比例很小,但承担了不成比例的货运相关温室气体排放、氮氧化物、颗粒物以及局部暴露负担(Pahwa和Jaller,2024)。在加利福尼亚州,这些影响在货物运输走廊、仓库和港口周边社区以及圣华金谷地尤为明显(加州空气资源委员会,2021;加州空气资源委员会,2019;Xiao和Jaller,2025)。尽管2025年的联邦行动对该行业产生了影响,但先进清洁卡车和先进清洁车队等监管举措旨在为运营上可行的充电计划创造政策需求,而非仅基于站点数量或通用交通流量(加州县协会,2025)。因此,货运电气化规划面临一个排序问题。对于具有可预测返场运营的电池电动车队,停车场充电很可能是第一层基础设施。然而,许多中型和重型货运横跨多个物流市场、农村走廊和空气质量负担社区。公共机构必须决定公共快充在哪里最有价值、哪些走廊需要额外的可靠性,以及哪些候选站点应进入电网、土地、费率设计和社区影响筛选。基于路线的货运充电评估可以通过将货运量转化为路线惩罚、充电需求和地理基础设施使用模式来支持这些决策。
货运电气化与乘用车充电不同,因为卡车面临载重、续航里程、路线选择、返场、交付时间窗口和服务时间等约束。本研究采用短途(<200英里)、中途(>600英里)作为运营距离区间。这些区间大致对应文献中的城市/本地、区域和全国长途类别,而国际长途运营则超出了本加利福尼亚州案例研究的范围。候选充电站可能在地理位置上靠近走廊,但如果其在取送货配对、车辆续航、载重、站点可访问性或综合时间窗口方面定位不当,仍可能无法支持可行的混合车队路线。
本文提出了一种基于路线的货运充电评估方法,用于加利福尼亚州货运电气化。该模型评估在受控需求模式下,预定义的停车场和公共快充网络如何影响混合车队路线可行性、空驶里程、模拟充电停靠次数、活跃充电位置以及成本核算指标。案例研究为区域性的,采用州货运环境,其中环境公平暴露、长跨区走廊和密集的城市取送货市场相互交织。本研究贡献有三:第一,将货运电气化规划与路线级可行性指标联系起来,而不仅仅是走廊流量或站点数量。第二,将路线负担指标与站点停靠指标分开,使走廊影响和充电利用率不被混淆。第三,以模型/后处理代理的形式报告成本核算组件,使比较结果在筛选阶段具有实用性,同时避免将其过度解读为完整的基建投资评估。
片段:货运作业循环和早期电气化适用性
重型卡车电气化研究表明,短途和返场运营通常是电池电动车队早期部署的候选对象。相比之下,长途运营对电池容量、载重、充电可及性和停留时间更为敏感。Nykvist和Olsson(2021)论证了重型电动卡车需要显式可行性处理;Borlaug等人(2021)证明停车场充电可满足许多常见充电功率下的重型作业循环;Mauler等人(2022)表明仅……
问题陈述
实证案例研究采用了一个涵盖2023年4月至2024年1月美国货运活动的专有现货市场货运记录样本。这些是预合同发运级别记录(非FHWA交通计数、GPS轨迹、远程信息处理记录或连续卡车轨迹)。该观察窗口作为情景构建的2023–2024年实证基准期。电池电动车渗透率作为情景假设指定,不与具体的近期或远期时间框架关联。
基于路线的规划级评估和充电站点评估
本节将该模型定位为基于运营的规划级评估。它评估预定义的停车场相邻和公共快充站点集合在受控货运需求情景下如何改变路线可行性、空驶里程、站点使用模式和成本核算指标。
如2.3节所述,该框架使用预定义的停车场相邻和公共快充候选点作为输入,并在路线层面评估其运营影响。
规划
a)集合与索引
N:网络中所有节点的集合。
C?N:客户节点集合(代表唯一的一次取货或送货)。
F?N:候选燃油或充电站节点的集合。
D?N:停车场节点的集合。令N=C∪F∪D。
V:异构车队中可用车辆的集合。
Vd?V:柴油车子集。
Ve?V:电池电动车子集。
i,j∈N:节点索引。
k∈V:车辆索引。
b)输入参数
πkf:使用车辆k的固定成本,包含摊销的购置成本。
πko:车辆k每英里的运营成本,汇总了燃料/电力的可变费用。
πd:每小时司机工资。
πp:未服务客户货单的惩罚成本。
dij:节点i与节点j之间的距离(英里)。
ttij:节点i与节点j之间的旅行时间(小时)。
ei,li:客户节点i∈C开始服务的时间窗口。
τic:客户节点i∈C所需的服务时间。
qi:需求(重量或体积)。
c)决策变量
xijk:二元变量,当车辆k从节点i直接行驶到节点j时取1,否则取0。
yi:二元变量,当客户i∈C被任意车辆服务时取1,否则取0。
uk:二元变量,当车辆k被使用时取1,否则取0。
tik:车辆k到达节点i的时间。
bik:车辆k到达节点i时的荷电状态(或燃油量)。
lik:车辆k到达节点i时携带的负载。
d)目标函数
目标是最小化固定成本、运营成本和服务失败惩罚之和。
min ∑k∈V πkf·uk + ∑k∈V ∑i∈N ∑j∈N (πko·dij + πd·ttij)·xijk + ∑i∈C πp·(1-yi)
第一项捕捉路线方案中使用车辆的车辆使用固定成本部分。第二项汇总路线运营费用,包括路线时间成本系数和基于距离的燃料或电力成本。附录E详述了基础设施相关的成本核算。惩罚项 discourage 未服务的货单。
e)路线约束
∑k∈V ∑i∈N xijk = yj,?j∈C
yj ≤ 1,?j∈C
∑j∈C∪F xdj,k = uk,?d∈D,?k∈V
∑i∈N xijk - ∑i∈N xjik = 0,?j∈N,?k∈V
∑i∈C∪F xid,k = uk,?d∈D,?k∈V
这些约束将路线决策(xijk)与客户服务变量(yj)联系起来。约束(2)规定如果客户j被服务(yj=1),则必须且仅有一辆车前往该客户。如果模型判定客户无法服务(yj=0),则不允许任何车辆前往。约束(3)是一个强化约束,确保客户最多被服务一次。
f)时间与持续时长约束
tik + τic + ttij·xijk - M·(1-xijk) ≤ tjk,?i∈C,?j∈N,?k∈V
tik + (bjk - bik)/ρi + ttij·xijk - M·(1-xijk) ≤ tjk,?i∈F∪D,?j∈N,?k∈V
ei·yi ≤ tik ≤ li·yi,?i∈C,?k∈V
tdk ≤ τkw,?d∈D,?k∈V
约束(10)记录了模型时间单位下的车辆路线持续时长参考输入。在这些运行中使用的eVRP.jl实现中,时间窗口、停车场工作时间和路线持续时长超限进入ALNS惩罚项(πp),而非通过isfeasible(s)强制约束每条候选路线,因此报告的路线记录可能超过tw = 660的参考值。
g)容量与负载约束
lik + qj·xijk - M·(1-xijk) ≤ ljk,?i∈N,?j∈C,?k∈V
0 ≤ lik ≤ Qk,?i∈N,?k∈V
约束(11)跟踪车辆在服务客户时负载的变化。约束(12)确保车辆的载重容量不被超出。
h)能量约束(针对电池电动车k∈Ve)
bik - ηk·dij·xijk - M·(1-xijk) ≤ bjk,?i,j∈N,?k∈Ve
αk·ωk ≤ bik ≤ βk·ωk,?i∈N,?k∈Ve
约束(13)跟踪车辆在节点间行驶时荷电状态的变化。约束(14)将电池荷电状态保持在允许上下限之间;上限为荷电状态上限比例乘以车辆电池容量。
该数学公式是一个大规模混合整数非线性问题。由于计算复杂性,尤其是对于现实实例……
停车场充电下的路线惩罚
表2报告了用于主要停车场与公共快充对比的部分路线结果。简表使正文聚焦于空驶重新部署、模拟充电停靠行数和活跃充电位置;附录F报告了全部21个情景的路线和充电完整表格。
路线结果最适合作为相对于匹配基线的相对变化来解读。在D1走廊压力情景下,80%电池电动车渗透率配合10 kW停车场充电使总VMT增加了4.2%……
讨论
实证结果支持对货运充电基础设施进行优先排序的解读。在站点数量或地理位置看似相当的候选点,一旦综合评估空驶里程、模拟充电停靠需求、混合车队分配和站点使用模式,可能产生不同的路线结果。加利福尼亚州的结果还表明,城市/大都市区、圣华金谷地和跨区路段承担着不同的路线负担,因此基础设施评估需……
结论
本文开发了一种基于运营的加利福尼亚州中型和重型卡车充电基础设施规划级评估方法。该框架通过混合车队路线可行性、总VMT和空驶VMT、模拟充电/加油停靠行数、活跃充电位置使用以及受控货运需求模式下的成本核算指标,评估了预定义的停车场相邻和公共快充站点集合。
主要运营发现是充电可及性改变了空驶……
软件与数据可用性
路线规划工作流使用Julia语言实现,基于eVRP.jl代码库和项目特定的ALNS配置脚本。Julia项目在Manifest.toml中记录了Julia 1.11.1版本,并在Project.toml中列出了CPUTime、CSV、Clustering、DataFrames、Distributions、OffsetArrays、Plots、ProgressMeter、Random、Revise和StatsBase。作者使用Python笔记本/脚本配合pandas、NumPy、GeoPandas完成了情景准备、地理空间处理、后处理和图表生成。
CRediT作者贡献声明
Runhua (Ivan) Xiao:
Miguel Jaller:写作 – 审阅与编辑、写作 – 原稿撰写、验证、监督、资源、项目管理、方法学、调查、资金获取、概念化。
Anmol Pahwa:写作 – 审阅与编辑、写作 – 原稿撰写、验证、方法学、调查。
Claudio B. da Cunha:写作 – 审阅与编辑、写作 – 原稿撰写、验证、监督、方法学、调查、概念化。
资金
本研究部分或全部资金来自加州交通局(Caltrans)通过大学交通中心项目和加州全州交通研究项目提供的资助。作者感谢加州交通局和加利福尼亚州对大学交通研究的支持,特别是为本项目提供的资金。此外,最后一位作者感谢富布赖特奖学金的财务支持。
作者贡献
作者确认其对本论文的贡献如下:研究构思与设计:R. Xiao、M. Jaller和C. B. da Cunha;数据获取与处理:R. Xiao和M. Jaller;方法学开发与模型实现:A. Pahwa和R. Xiao;情景设计与实证分析:R. Xiao和M. Jaller;政策解释与区域分析:M. Jaller、R. Xiao和C. B. da Cunha;稿件撰写:R. Xiao、M. Jaller和C. B. da Cunha。所有作者均审阅了稿件。
利益冲突声明
作者声明,他们没有任何已知的可能影响本论文工作的竞争性经济利益或个人关系。
致谢
生成式AI及AI辅助技术使用声明:在撰写本作品期间,作者使用生成式AI提高了语言清晰度和可读性。在使用该工具后,作者对内容进行了审阅和编辑,并对发表内容承担全部责任。
Runhua (Ivan) Xiao | Miguel Jaller | Anmol Pahwa | Claudio B. da Cunha
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号