链上镖师 / Chain Biaoshi
TRB|路侧充电站选址与容量：兼顾排队拥堵与需求波动的稳健规划
用链路排队模型追踪拥堵传播，以容量冗余应对充电需求增长和突增
论文把路侧充电排队及其拥堵传播纳入选址—容量联合决策，并用带近似保证的DGP算法求解稳健规划方案。
- 01：规划变量同时覆盖站点位置、停车容量区间和充电桩数量区间。
- 02：链路排队模型追踪车辆进入、排队充电、驶回道路及拥堵传播。
- 03：容量冗余用于适应日内峰值、极端需求突增和长期EV渗透率变化。
- 04：数值实验报告的高峰时段交通吞吐损失降幅最高达到81.62%。
路侧充电排队为何会改变选址答案
路侧充电的服务时间较长，车辆排队可能占用邻近道路空间，并沿交通网络传播拥堵。充电需求还会随日内峰谷、极端事件和EV长期普及发生变化。论文据此把站点位置、停车空间、充电设备、道路吞吐和服务水平放进同一规划问题。
从充电排队建模、稳健选址定容到DGP求解与数值验证的完整研究链路。来源：Fig. 1
01交通侧：追踪充电站部署造成的网络吞吐损失。
02服务侧：同时衡量充电需求覆盖和站点服务水平。
03投资侧：在规划预算内配置站点、停车位和充电桩。
04不确定性侧：用容量区间吸收稳定增长与短时突增。
充电站如何进入动态交通网络
论文以离散时间的链路排队模型描述道路车辆守恒、流入通量和流出通量，并为充电站构造专门的充电节点。车辆从道路进入充电链路，经历排队和服务后重新汇入路网，使停车容量、充电速度与邻近道路拥堵形成可计算的联动关系。
1输入分时OD需求与候选路侧站点
2在道路链路上推进车辆流入、存量与流出
3按泊松到达过程生成动态充电需求
4模拟车辆排队、充电及重新汇入道路
5汇总吞吐损失、覆盖、预算和服务水平
车辆进入、排队充电和返回道路的链路化表达，用于计算充电队列与拥堵传播的相互作用。来源：Fig. 3
为使充电链路具有与M/M/c排队系统一致的服务时间特征，论文通过最小化Wasserstein距离，离线选择充电链路数量、服务时间及分配概率。该校准过程采用有限解空间上的网格搜索，为后续网络级规划提供充电时间分布。
站点与容量区间怎样联合决策
LQ-EVCS模型选择候选站点是否启用，并确定停车容量和充电桩数量的上下界。稳健目标同时惩罚容量区间内规划绩效的波动及平均绩效，评价轴包含交通吞吐损失、充电需求覆盖、建设预算和站点服务水平，最终形成单层选址—容量规划。
阶段 1 预先确定满足土地、分区和电网条件的候选道路
阶段 2 选择需要建设的路侧充电站
阶段 3 为各站配置停车容量上下界
阶段 4 为各站配置充电桩数量上下界
阶段 5 在预算约束下压缩平均损失与绩效波动
容量上下界代表可承受的配置范围。较小的绩效波动意味着方案面对日内需求峰值、极端事件冲击及长期EV增长时，能够维持更稳定的网络吞吐和充电服务。
DGP如何逐轮生成规划方案
完整模型属于大规模混合整数非线性规划，变量和动态约束随链路数与时间步数快速增长。论文把规划效用分解为非负弱次模奖励和模块化成本，并定义适用于站点状态及容量子元素的特殊并运算，由此构造扭曲贪心选择算法。
DGP在每轮评估候选站点及容量状态的扭曲边际收益，并更新当前规划集合。来源：Algorithm 1
1初始化空的站点与容量状态集合
2计算新增位置或提高容量的边际奖励
3扣除对应建设成本并施加扭曲权重
4选择正收益最大的候选状态
5重复更新直至完成规定轮次
在论文给定的弱次模性、单调性和无遗憾扭曲条件下，DGP获得以1−e的负γ次方表示的近似保证。该结论为大型动态交通网络中的启发式选址定容提供了明确的解质量下界。
两类测试网络检验精度与扩展能力
数值研究采用Nguyen–Dupuis网络和Sioux Falls网络。结构较小的Nguyen–Dupuis网络可由Gurobi在合理时间内求解，用于对照DGP的目标值、实际最优性差距和耗时；规模更大的Sioux Falls网络用于研究复杂节点、拥堵传播和规划方案变化。
小型网络承担算法解质量核验，较大网络承担选址、容量与交通影响实验。来源：Fig. 4
不同EV渗透率和网络流量组合下，DGP与Gurobi的目标值、最优性差距及运行时间对照。来源：Table 1
论文报告DGP在各组实验中的实际表现持续优于理论保证，并以较低计算代价取得接近精确求解结果的方案。该组对照验证了算法在小型网络上的解质量，为后续无法便利使用精确方法的大规模动态规划实验提供依据。
站点迁移如何压低拥堵传播损失
将充电站对邻近道路的影响写入目标后，规划方案会调整部分站点位置，使排队车辆避开更容易向全网传播拥堵的链路。实验从高峰时序和目的地累计损失两个口径评估变化，说明站点空间位置会直接影响充电设施部署后的交通代价。
两类规划口径在Sioux Falls网络上的站点选择差异，揭示拥堵改善的空间来源。来源：Fig. 6
不同方案在高峰时段和各目的地上的吞吐损失变化，报告的高峰损失降幅最高达到81.62%。来源：Fig. 5
数值结果表明，忽略充电排队与邻近道路的动态耦合会改变站点布局及交通损失判断。将拥堵传播纳入规划后，方案能够显著降低路侧充电设施对网络吞吐的负面影响。
容量冗余怎样应对需求持续增长
停车位决定排队车辆可容纳规模，充电桩决定车辆离开队列的服务速度，两类容量共同影响道路回堵、需求覆盖和投资成本。论文进一步改变稳健性参数与EV渗透率，观察站点位置、容量等级、网络吞吐和服务水平的响应。
多组停车位与充电桩容量组合对应的时序吞吐损失和目的地累计损失。来源：Fig. 7
稳健性要求变化后，站点位置及小、中、大容量配置随之调整。来源：Fig. 8
各容量组合的高峰吞吐损失降幅、单个目的地最大降幅和需求覆盖损失。来源：Table 2
EV渗透率上升时，不同稳健性水平对应的网络吞吐量和服务水平响应轨迹。来源：Fig. 10
模型适用条件与研究边界
该框架面向紧邻道路、排队可能影响交通流的充电站，候选位置需提前依据土地利用、分区规则、电网条件和安全空间确定。规划采用单层、长期且较难撤销的基础设施决策，以容量范围承担需求扰动，没有设置可随情景逐期修订的多阶段决策。
✓不覆盖远离道路、对交通流影响较弱的工作场所充电站。
✓充电到达过程采用泊松假设，服务时间通过M/M/c等价校准。
✓近似保证依赖论文规定的弱次模性、单调性及相关技术条件。
✓候选站点由外部规划条件预先给定，模型不在任意道路位置连续搜索。
✓论文未报告真实城市现场部署及长期运营数据验证。
应用该模型时，需要先核验当地候选站点、电网接入、停车空间、分时OD需求和充电服务参数。研究结论支持路侧充电站的战略规划，超出这些假设与数据范围的外推效果，论文未报告。
论文：Robust Electric Vehicle Charging Station Planning Factoring Traffic Congestion Dynamics Adapting to Steady and Surging Charging Demand Increase
作者：Lili Du，Yuqiang Ning，Jiahua Qiu，Feiyang Kang
期刊：Transportation Research Part B
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
