链上镖师 / Chain Biaoshi
TRD|移动换电与充电补给：不确定性下的联合优化
把换电车、充电架和电池库存放进同一个闭环系统，评估移动换电服务能否在城市尺度稳定运行
这篇论文面向移动电池交换与充电系统，把BSV车队规模、辖区分配、充电架和电池库存联合优化，用三层随机优化模型处理需求、服务和充电不确定性。
- 01：研究对象是由电池交换车、专用充电站和流转电池构成的闭环服务系统，电动车不用去固定站点排队充电。
- 02：模型分为总规模设计、前端BSV辖区分配和后台充电资源分配三层，分别控制成本、响应时间和充电队列。
- 03：论文用雄安和襄阳两个案例验证方法，展示模型在9个辖区和18个功能区场景下的资源配置与服务绩效。
研究背景
移动电池交换与充电系统用电池交换车把满电电池送到电动车旁完成现场换装，再把亏电电池带回专用充电站补能。论文强调，这类系统把几十分钟到数小时的充电过程从车辆端移到后台，前端服务时间可以压缩到几分钟。
研究动机来自商用车、环卫车、物流车等规模化运营场景。文中提到重庆科学城试点从5辆可换电卡车和1辆BSV起步，后续扩展到100辆车，并计划替代约1500辆柴油物流、环卫和施工车辆。
Fig. 1展示移动电池交换与充电系统的服务流程：BSV按辖区响应需求，必要时跨辖区支援，完成一轮换电后回到充电站补给满电电池。来源：Fig. 1
系统设计的难点在于闭环资源匹配：前端BSV太少会拉长响应，后台充电架和电池库存不足会让车辆回站后等待，需求、服务时间和充电时间的不确定性会把这种错配放大。
核心问题
已有移动充电或移动换电研究多集中在调度路径、站点选址或车队规模。论文指出，MBSCS还需要同步确定BSV数量、每辆车携带电池数、各站充电架数量和电池库存，否则局部最优会限制系统建设方案。
01前端问题：在需求随机到达时，BSV如何在本辖区和相邻辖区之间分配服务能力。
02后台问题：BSV返站后能否及时拿到满电电池，充电队列会不会切断闭环循环。
03投资问题：车、充电架和电池都要计入生命周期成本，资源冗余和服务质量需要共同权衡。
Fig. 2概括三层MBSCS优化模型：顶层决定系统规模，中层分配BSV到辖区，底层分配充电架和电池库存。来源：Fig. 2
1顶层：最小化生命周期成本，决定BSV、充电架、电池和单车携带容量。
2中层：在总车队规模给定后，按期望响应时间分配各辖区BSV。
3底层：在充电资源总量给定后，按充电等待压力分配各站充电架和电池。
方法框架
顶层模型把固定投资、换电运营、行驶距离、退化成本和充电架维护成本统一到小时维度，约束BSV工作负荷、电池可用概率、前后台能力匹配和最低电池储备。论文把这个非线性整数规划交给B&B与SQP结合的启发式算法求解。
中层模型把前端服务抽象为M/M/N/∞队列，并引入校正因子处理多个BSV忙闲状态之间的依赖。调度规则采用最近空闲BSV优先，本辖区车辆繁忙时触发跨辖区支援，目标是最小化期望响应时间。
Fig. 4说明后台充电站的电池补给与队列机制：BSV返站后卸下亏电电池，装载满电电池，充电架按批量对电池补能。来源：Fig. 4
底层模型把充电站抽象为有限容量排队系统。BSV完成h次换电后返站，若站内至少有h块满电电池就立即重新出发；若满电电池不足，BSV等待并造成前端服务中断。这个环节决定闭环系统能否持续供给。
论文的建模重点是把前端响应和后台补能同时纳入资源配置，车队规模、充电架和电池库存不再分开估算。
案例或实验设置
第一个案例是雄安新区，研究区面积约198平方公里，规划为9个辖区且每个辖区设一个充电站。论文给定总换电需求率为46辆/小时，BSV最大工作负荷为0.75，单车额定携带电池容量为6块。
Fig. 6给出雄安各辖区电池交换需求率，7号辖区位于中央商务区，需求率达到9.2辆/小时，其他辖区均低于5.1辆/小时。来源：Fig. 6
Fig. 8展示雄安案例中BSV、充电架和电池的最优配置，资源更多集中在7、6、8、5号等需求或支援压力较高的区域。来源：Fig. 8
第二个案例扩展到襄阳，论文用18个功能区验证模型在更大城市尺度下的适配能力。这个案例的作用是观察需求节点增加后，三层模型是否还能给出稳定资源配置，并保持前端响应与后台电池可用性。
Fig. 14展示襄阳案例的需求率与BSV、充电架、电池配置，用于验证模型从9个辖区扩展到18个功能区后的资源分配能力。来源：Fig. 14
结果分析
雄安案例的结果图把前端服务质量拆成BSV工作负荷、响应时间和即时服务概率。论文用这些指标检验车队是否过载、用户是否需要等待，以及跨辖区支援是否会让高需求辖区获得足够服务能力。
Fig. 9展示雄安案例的BSV工作负荷、响应时间和即时服务概率，是评价前端服务水平的核心结果图。来源：Fig. 9
Fig. 11展示后台充电站的可用电池概率和可用电池期望数量，论文据此说明各辖区PAB保持在90%以上。来源：Fig. 11
Fig. 12展示参数变化对资源配置和系统表现的影响，覆盖需求率、服务率和充电时间等关键不确定因素。来源：Fig. 12
Fig. 15展示襄阳各辖区服务绩效与电池可用性，集中呈现大规模案例中的BSV工作负荷、响应时间、PAB和AB。来源：Fig. 15
管理启示
对运营方而言，这篇论文给出的关键启示是先把移动换电系统当作闭环网络规划，再做车队和站内资源投资。只增加BSV可能把瓶颈转移到后台充电站，只增加电池或充电架也无法自动改善前端响应。
Table 3汇总不同需求场景下的资源配置与算法耗时，可用于判断规划工具在需求扫描和扩容评估中的可部署性。来源：Table 3
跨辖区调度是移动服务的管理抓手。论文的最近优先规则让本地BSV先服务本辖区，高峰或局部繁忙时由相邻辖区补位，这种机制适合需求热区明确、各辖区距离结构稳定的城市运营场景。
Table 4列出固定换电模式下18个站点的电池、充电架、平均旅行时间、AB和PAB，为比较移动换电与固定换电模式提供参照。来源：Table 4
如果城市希望用移动换电覆盖物流、环卫、施工等固定作业群体，资源规划需要同时给出车、架、电池和辖区分配方案，并用响应时间与电池可用概率共同约束服务承诺。
论文：Integrated optimization of mobile battery swapping and charging systems under uncertainty
作者：Yong Zhang，Xiaohan Yin，Ming Cheng，Weike Lu，Xiangwang Hu，Xiang Peng
期刊：Transportation Research Part D
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
