链上镖师 / Chain Biaoshi
TRD|高速充电站排队与级联失效：智能体韧性评估
从车辆选站、弃充和排队行为出发，识别长三角高速充电网络的饱和阈值、站点韧性模式与故障传播路径
论文以长三角高速公路为案例，将车辆的选站、排队、弃充和绕行决策纳入仿真，刻画充电网络从服务拥堵走向局部故障级联传播的过程。
- 01：案例包含129个边界OD节点、72座充电站和350个流量观测断面。
- 02：早高峰EV渗透率达到3.8%时，服务质量已进入饱和状态。
- 03：站点响应被归纳为HSA、OB、GD和RB四类韧性模式。
- 04：站点35的单枪失效可沿G42及S48—S58—G25走廊传播压力。
从静态容量走向车辆—设施联动
高速充电网络的服务状态由车流节律、车辆剩余电量、充电枪容量、排队长度和驾驶者决策共同形成。只检查站点覆盖与网络连通性，难以呈现拥堵积累、弃充、改选站点及压力跨走廊转移。论文据此构建数据驱动的智能体框架，把微观行为与宏观服务退化放入同一条分析链。
数据驱动的高速充电网络智能体韧性评估框架，涵盖路网与OD构建、车辆仿真、饱和分析、站点聚类和级联失效诊断。来源：论文 Fig. 1。
这套框架关注功能性韧性：故障发生后仍有多少车辆获得服务、服务时间如何累积、需求是否因排队被挤出，以及局部压力会向哪些站点和走廊扩散。
路网节点与充电决策怎样进入模型
研究把高速公路表示为有向图，节点包括枢纽、出入口、充电站和站点接入点。每座充电站通过接入节点连接相邻高速路段，车辆抵达该节点时决定驶入充电站或继续行驶。OD需求由断面月平均日流量反演，并以非负最小二乘求解满足流量非负约束的OD矩阵。
GIS高速路网经过简化、方向化、连接与路段拆分后形成可供车辆智能体运行的网络。来源：论文 Fig. 2。
车辆智能体具有电池容量、能耗、初始荷电状态和充电阈值等异质属性。仿真按剩余电量及后续可达性识别强制充电需求，再结合机会充电阈值、行驶成本、等待成本与队列容忍度选择站点。车辆可以进入先进先出队列，也可能因队列过长放弃非强制充电。
车辆智能体依次完成进入路网、SOC判断、站点选择、弃充判断、排队、充电和继续行程。来源：论文 Fig. 3。
长三角路网、出行节律与现实校准
案例使用长三角高速网络、72座充电站、350个典型断面的2024年11月月平均日流量，以及断面车牌与通过时间数据。仿真覆盖00:00至24:00，时间步长为60秒，00:00至06:00的低需求时段承担自然预热。反演得到的24小时城际总流量约为96万辆。
案例环境包含129个边界OD节点、约96万辆车的城际OD流和按实测节律生成的出发时间。来源：论文 Fig. 5。
断面流量重构的RMSE为3666.14，决定系数R²为0.965，主要走廊的空间流量格局得到较好复现。来源：论文 Fig. 6。
49座代表性充电站的模拟充电次数与实测订单进行对照，回归R²为0.65。来源：论文 Fig. C.1。
渗透率上升后，服务先在哪里失稳
论文以平均服务时间记录排队与充电形成的累计负担，以服务积压率识别需求无法及时完成的状态。EV渗透率从1.0%逐步升至33.8%时，长队会优先劝退充电紧迫度较低的车辆，接受服务的人群逐渐集中于低电量、充电时间较长的车辆，单位时间有效供给随之下降。
供给、充电需求和服务完成量的联合曲线揭示选择性过滤与吞吐饱和过程。来源：论文 Fig. 7。
早高峰、午间、下午和晚高峰的QoS饱和点分别为3.8%、11.4%、14.8%和15.7%，对应平衡点为32.0%、22.8%、23.8%和26.2%。来源：论文 Table 2。
系统由1.0%—4.0%的非拥堵状态，依次跨入4.0%—15.0%的受压区、15.0%—25.0%的拥堵区和25.0%以上的饱和区。来源：论文 Fig. 8。
早高峰的平衡点达到32.0%，QoS饱和点仅为3.8%。论文将这一差距解释为冷启动后的集中加载：统计窗口内的平均供给仍有余量，窗口后段的车流冲击已经消耗系统恢复空间。
四类站点响应与走廊级联传播
研究在20% EV渗透率下逐步提高站点充电枪失效率，并使用净聚合服务延误、系统弃充率和95分位等待时间联合识别四类模式。HSA在失效率超过40%后出现净影响回落，弃充率升至75%以上，尾部等待时间仍超过32000秒，说明服务需求被大量挤出。
净聚合服务延误、系统弃充率和95分位等待时间共同刻画HSA、OB、GD和RB四类站点响应，并揭示需求流失造成的伪恢复。来源：论文 Fig. 9。
20%渗透率和单充电枪失效场景下，四类站点呈现不同空间影响，站点35具有最高净影响。来源：论文 Fig. 10。
站点35的单枪失效沿G42及S48—S58—G25走廊传播压力，同时产生受损站点与局部受益站点。来源：论文 Fig. 11。
站点治理顺序需要同时考虑故障敏感度、弃充造成的需求流失、尾部等待和跨站传播。论文结果支持优先监测站点35及其关联走廊，并将相邻站点的分流能力纳入局部故障处置。
模型适用条件与研究边界
该框架适用于具有明确路网拓扑、站点容量、断面流量和车辆充电行为参数的高速充电网络，可用于压力测试、饱和阈值识别、关键站点筛查与局部故障传播分析。案例结论对应长三角路网、论文设定的车辆属性分布、选站规则、排队机制及60秒仿真步长。
01OD反演采用距离最短路径假设，其合理性依赖城际高速路网较稀疏、EV绕行能耗较高的情境。
02车辆主要依据行驶成本、等待成本、SOC阈值和队列容忍度决策，论文未报告导航平台信息、充电价格变化或预约机制的影响。
03站点韧性与级联结果来自仿真压力和设定故障场景，向其他地区外推时需要重新输入当地路网、车流、站点和车辆数据。
04正文所给材料未报告极端天气、道路中断、电网侧供电故障及跨日需求恢复过程。
净聚合服务延误适合识别低失效率下的脆弱节点。系统进入大规模弃充状态后，等待样本会随需求流失而改变，单独观察净影响可能低估服务崩溃风险。实际应用需要同步检查弃充率和95分位等待时间，并区分服务能力改善、需求转移与服务拒绝形成的指标回落。
论文：Agent-based modeling of resilience and cascading failures in highway charging networks
作者：Jian Yuan，Qijian Zhao，Qing Yu，Haoran Jiang，Weiyao Yang，Haoran Zhang
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
