电动汽车充电站选址优化——以哈尔滨市为例

韩韶光,邹常丰,何永明,李才广,李震昇

(东北林业大学 交通学院，哈尔滨 150040)

自2012年以来，电动汽车的销量大幅度攀升。截至2021年6月底，我国电动汽车保有量已达到493万辆，占新能源汽车总量的81.68%。电动汽车充电站等充电基础设施，是我国汽车产业能否转型的重要组成部分，但其增长率依旧跟不上电动汽车的发展速度。目前,电动汽车充电站选址方法大致可分为两类：一是从用户角度考虑，力求电动汽车充电站的服务覆盖面积最广；二是从运营角度考虑，在满足大部分充电需求的前提下，力求建站成本最小。

充电站覆盖范围最广方面的研究：黄小晴[1]通过模糊手段，建立电动汽车预测需求模型，利用最大覆盖模型并通过建立多目标优化模型对待建点进行优化；田枫等[2]提出一种双目标规划模型，在满足需求、距离、容量等约束条件下，寻找最优的充电站建设方案；杨军峰等[3]采用优化算法得出充电站站点建设地、数量以及每个充电站的覆盖范围；苏鹏[4]提出充电站优化问题应考虑到空间指标优化，如分布式电源消纳及配电和道路网络布局等；罗江鹏[5]进行了用户充电需求预测，提出了充电站选址定容优化模型；邹涵等[6]以武汉市汉口历史街区为研究区域，对公共充电设施存在的充电需求难、建设规模不足等问题作出分析，并提出相应的改进措施。

充电站建站成本最小方面的研究：于进才[7]通过ArcGIS构建交通路网，将需求点拟定在主干道交叉口处，并将需求点假设为可选充电站站点，建立模型并确立充电站站点；毛薇等[8]利用ArcGIS网络分析技术，构建了最小化阻抗模型，并对建站结果进行服务水平评价，验证仿真结果的合理性；王勇[9]通过采用改进的变异粒子群算法对充电站选址模型进行求解；王雯[10]从用户和运营商的角度出发，以投资建设和用户成本最小建立多目标函数；严干贵等[11]考虑充电站和用户两个因素，以总成本最小为目标提出充电站选址定容的计算模型，并在定容中考虑充电桩的差异性；贾斯佳等[12]通过ArcGIS软件的空间分析能力和中心地理论来确定充电站选址定容的步骤和算法。建站成本最小的充电站选址方法一般是以研究区域交通路网节点为基础，通过ArcGIS构建交通路网[13]，然后建立数学模型进行求解，如应用混合整数规划方法建立多目标函数使得建站成本最小[14]、基于成本模型和遗传算法对充电站选址进行优化[15]、基于GPS技术获取的相关实时位置数据建立动态选址模型[16]等。

随着大数据技术的普及，基于车辆轨迹及行驶等大数据快速聚类方法也开始广泛应用起来:杨晓东等[17]通过数据驱动的方式，对充电站进行合理布局；刘红燕等[18]以大数据为基础，从运营收益和充电需求两个角度对充电站进行规划；何欢[19]基于出租车轨迹数据和ArcGIS，将空载起始点作为需求点，将路网分布和乘车点作为吸引力指标，对充电站选址进行选址研究；Xu等[20]通过人口核密度分析，运用改进的免疫算法对充电站进行布局；A1-Habarnih等[21]以安曼中部的原点-目的地流量为数据，通过流量和成本模型对充电站选址进行布局；Li等[22]以电动出租车轨迹数据为基础，利用聚类算法对充电站进行选址；Zhang等[23]以复杂网络鲁棒性理论为视角，对充电站布局进行评价。

综上可知，目前针对电动汽车充电站选址方法的研究较为成熟丰富，但针对已有充电站做进一步站点优化的研究不多。因此，文中以哈尔滨市研究区域道路交通路网数据为基础，以建站成本和充电站服务水平评价为研究因素，利用ArcGIS网络分析模块对研究区域内的充电站做出优化布局。

1 电动汽车充电站数据来源与处理

1.1 数据概述

文中相关数据来自Python爬取高德地图中停车场场点和充电站站点的兴趣点(POI)数据，并通过OpenStreetMap获取道路路网数据。在原始数据中：停车场场点的基本信息包括停车场名称、场点经纬度、场点所在区域及场点所在区县等内容；充电站站点数据包括名称、详细地址、位置区域、经纬度编码、联系方式及备注信息等内容；交通路网数据包括数据类型、道路名称、道路等级及其他信息等内容。

1.2 数据处理

上述数据以表格的形式存储，根据原始数据信息进行处理。数据筛选为数据处理第一步，将无关及重复数据进行过滤，得到和文中研究直接相关的数据，进而减少数据的样本量，提升数据分析的准确性、有效性和效率。在原始数据中对数据进行清洗并对坐标系进行转换，将研究范围内的停车场场点数据、充电站站点数据和交通路网数据导入到ArcGIS中。

2 电动汽车充电站选址模型构建

2.1 位置分配模型

公共机构或公共基础设施如果选择一个对用户和经营者都有利的位置，就可以用较低的社会成本为用户提供高质量的需求服务。位置分配模型就是为公共机构或基础设施选址布局提供优化配置方案。文中从充电站和用户两个角度出发，分别以建站成本和充电站服务水平评价为目标，进而确定充电站站点建设数量。

2.2 电动汽车充电站选址特征参数

文中根据道路等级来设定相应配速，并以用户路程损耗时间10 min作为模型阻抗值算出各充电站站点的服务面积。充电站选址建设因研究区域范围广，无法对每一位电动汽车用户的出行链进行调查[24]，文中以哈尔滨市三环路、前卫大街、化工路、电碳路和友谊路所围面积作为研究区域，以哈尔滨市人口数量和哈尔滨市统计公报中2017—2020年的新能源汽车保有量为基础数据，预测2025年研究区域充电车辆数。根据2025年研究区域人口预测，将新能源汽车充电需求数量分配至各停车场场点作为充电需求，哈尔滨市包括9个市辖区、9个外县(市)，在哈尔滨市城市总体规划中主城区为道里区、道外区、南岗区、香坊区、平房区、松北区、呼兰区规划的城市建成区(见表1)。

文献[12]中电动汽车充电站的建设规模以站点总服务能力为判别标准，以此来验证充电站的选址是否合理。充电桩服务能力算式为

Pi=2·βi·θ·μ·t

(1)

式中：Pi(i=1,2)为充电桩的服务能力；βi(i=1,2)为充电桩服务效率，快速充电桩为3辆·h-1，慢速充电桩为0.13辆·h-1[25]；θ为车辆充电之间的影响系数，取值0.9[26]；μ为充电站有效工作时间系数，取值范围0.6～1，现以每晚11点至早上6点为空置期，则系数设定为0.7；t为充电站服务时间，取20 h。

依据相关参考文献，现设定大、中、小型充电站充电桩数量分别为18个、8个、4个。同时,为提高电动汽车充电效率，设定充电桩全部为快充充电桩，并根据每个充电站站点的充电车辆数来确定相应的充电站建站规模。

表1 研究区域人口及新能源汽车充电车辆数预测

3 基于ArcGIS网络分析的充电站选址优化

基于对道路配速条件的设置，以电动汽车路程损耗时长10 min作为阻抗中断时间，即超过10 min路程时长后，用户仍未到达任意充电站站点，则该需求点无法被分配。 在ArcGIS10.7中可采用空间距离的地理可达性、道路相应等级及速度分配，来获取用户到达充电站站点的时间，其中研究区域道路路网相关信息如表2所示。

表2 研究区域道路相关信息

3.1 研究区域地理概况与数据信息

研究区域总面积为165.816 km2，道路总长度为579.54 km，研究区域内共有52个可选充电站站点。研究区域地理概况及相关数据信息如图1～2所示。

图1 充电站可选充电站站点布局

图2 各区域需求点(停车场场点)布局

1)研究区域路网数据。依据路网属性表中信息记录每段道路的道路长和行驶时间，以Shapefile进行存储。

2)电动汽车充电需求点。文中电动汽车充电需求点共计1 533个，其中道里区440个、道外区187个、香坊区256个、南岗区650个。依据2025年 各区域的面积、人口和电动汽车预测数据，对研究区域内每日等待被充电服务的8 215辆电动汽车进行划分，将待充电车辆数分配到各区电动汽车充电需求点。

3)电动汽车充电站站点。研究区域内获取的电动汽车充电站站点数量为52个，均为可选充电站站点。

3.2 最小化阻抗模型

在ArcGIS10.7中建立研究区域内充电站站点最小化阻抗模型(模型Ⅰ)，将充电站站点初步分为3类，分类情况如表3所示。

表3 充电站站点分类

必选站点(6个)：在建站规模、管理、安全性等方面都比较全面的充电站，在该模型中必选站点最后一定是该模型的输出结果之一。

候选站点(46个)：运营状况较差的充电站站点、暂停运营的充电站站点和废弃的旧充电站站点作为候选站点，在ArcGIS中候选站点可能是该模型输出的结果之一。

已选站点：在ArcGIS模型中，从候选站点中选出作为模型输出结果的充电站站点。以已有的6个必选充电站站点为基础，依次进行增建站点，使其服务95%以上的充电需求点。6个充电站站点的供需分布和站点服务覆盖面积如图3～4所示，站点详细信息如表4所示。

图3 6个必选项充电站站点供需分布

图4 6个必选项充电站站点服务覆盖面

表4 6个充电站站点详细信息

由表4可知，已有的6个充电站站点的被服务需求点个数为1 156个，占总需求点个数的75.4%；每日被服务的车辆数为6 222辆，占总车辆数的75.7%；服务覆盖面积占研究区域总面积58.87%。远不能服务研究区域内95%以上的充电需求点。

在已有6个充电站站点的基础上，利用模型Ⅰ依次增建充电站站点数量，得到了7～10个充电站站点分布、11个充电站站点建设分布及11个充电站站点覆盖面，如图5～7所示。将相关结果信息汇总在表5中。

图5 7～10个充电站站点分布

图6 11个充电站站点建设分布

图7 11个充电站站点覆盖面

表5 7～11个充电站站点详细信息

由图5～7和表5数据可知，已有的6个充电站站点不能服务研究区域内95%以上的充电需求点。通过模型Ⅰ仿真结果得出：在原有的6个充电站站点基础上，至少要增加5个充电站站点，才能服务研究区域内95%以上的充电需求点。

3.3 最小化设施点模型

最小化设施点模型(模型Ⅱ)是以阻抗中断值作为限制条件，使尽可能多的需求点被分配到所求解的充电站站点。在模型Ⅱ中“要选择的设施点类别”属性键不可用，52个可选充电站站点均作为备选项，进而求解程序才能确定实现覆盖范围最大化时所需的设施点最少个数。

在ArcGIS10.7中，构建了模型Ⅱ的充电站站点建设模型，充电站站点建设分布如图8所示。

由图8可知，若想满足该区域充电站服务覆盖面积最大化，且同时满足95%以上的充电需求点，至少需要建设11个充电站。

4 充电站选址优化分析与评价

4.1 经营者年综合总成本

在参阅大量文献的基础上，经营者投资总成本主要包括建设成本Cj、土地成本Caj与运维成本Coj3方面。以下对Cj、Caj与Coj做进一步分析。

建设成本主要包括：站内主要设备，如充电桩、电池维修设备、监控设备等；充电站配套设施，如变压器、配电柜、电缆等。因建站成本构成因素复杂，现根据《GB 50966-2014电动汽车充电站设计规范》、充电站建设基础设施网上报价以及文中的建设规模，设定大、中、小型充电站建设总成本分别为137万元、67万元和33万元。

在充电站建设过程中，区域间土地成本差异较大，因此应考虑其土地成本，按照《城镇土地估价规程》，单位面积土地成本为

Caj=cajsj

(2)

式中：caj为第j个充电站单位面积土地成本，令caj=1 000元·m-2(地区公共充电站站点建设用地按工业用地价格50%使用)；sj为第j个充电站占地面积，大、中、小型充电站站点规模分别为1 593 m2、708 m2、354 m2。

运营与维护成本主要包括设备维护费、员工工资、设施损耗等，算式为

Coj=γ·Cj

(3)

式中：Coj为第j个充电站的年均运维与维护成本；γ为折算系数，取值为0.1。

故经营者年综合总成本C1的算式为

(4)

式中：Nj为第j个充电站站点是否建站，取值0或1；T为充电站运营年限，设定大、中、小型充电站运营年限均为15 a；r0为平均折旧率，取值为0.08。

根据充电站站点规模不同及式(2)～(4)所述，相应投资成本数据如表6所示。依据充电站服务能力测算，将大、中、小型充电站每日服务能力分别设定为1 350辆、600辆、300辆。在模型Ⅰ和Ⅱ中11个充电站站点规模和成本数据如表7～8所示，模型Ⅰ和Ⅱ充电站站点经营者年综合总成本为392.86万元和404.31万元。

表6 经营者投资成本数据 万元

表7 模型Ⅰ充电站站点规模和成本数据

4.2 充电站站点选址模型验证

通过Voronoi图对模型输出结果作进一步验证，检验Voronoi图中各充电站站点覆盖的充电需求点是否与模型输出结果相同，从而验证结果可行性。模型Ⅰ和Ⅱ的充电站站点Voronoi如图9～10所示。

表8 模型Ⅱ充电站站点规模和成本数据

由图9～10可知，在基于充电点站点经纬度数据生成的Voronoi图中，超过90%的需求点符合要求，所以可验证两个模型输出结果的可行性。

图9 模型Ⅰ充电站站点Voronoi

图10 模型Ⅱ充电站站点Voronoi

4.3 充电站服务水平评价

以充电站站点的需求点数、充电服务率和覆盖面服务率3个评价指标对模型Ⅰ和模型Ⅱ中输出的充电站站点分别进行服务水平评价，以此验证模型输出结果的合理性。算式为

充电站站点充电服务率=

充电站站点覆盖面服务率=

在ArcGIS10.7中，以各充电站站点位置为中心，结合研究区域内道路交通路网，生成电动汽车行驶损耗时间为10 min的服务覆盖面，具体相关结果如表9～10所示。

表9 模型Ⅰ充电站服务水平评价

表10 模型Ⅱ充电站服务水平评价

由表9～10可知，在电动汽车行驶损耗10 min的服务覆盖面内，模型Ⅰ充电站站点的总服务覆盖面为135.02 km2，占研究区域总面积的81.43%，满足95.8%的充电需求点，站点平均充电服务率为75.07%。模型Ⅱ充电站站点的总服务覆盖面为138.07 km2,占研究区域总面积的83.27%，满足95.2%的充电需求点，站点平均充电服务率为69.1%。

5 结 论

文中从用户需求角度出发，运用ArcGIS对充电站选址进行优化，构建了模型Ⅰ和Ⅱ，并对模型输出结果进行量化对比分析。

1)通过经营者年综合成本可知：模型Ⅰ年综合总成本为392.86万元；模型Ⅱ年综合总成本为404.31万元；运营年限为15 a，故模型Ⅱ建站总成本高出模型Ⅰ171.75万元。

2)模型Ⅰ的服务覆盖面积率提升22.56%，被服务的充电需求点数量占比提升20.4%，两个模型输出结果都能很好地契合Voronoi图。模型Ⅱ输出结果相较于模型Ⅰ而言，站点覆盖面服务率提升了1.84%，但站点平均充电服务率下降了5.97%，主要原因是模型Ⅱ致力于站点服务覆盖面最大化，忽略了需求点分布密度，所以站点平均充电服务率低于模型Ⅰ。综合考虑充电站建站成本和服务水平评价可知，模型Ⅰ结果优于模型Ⅱ。

3)在原有充电站站点基础上，以详尽数据为依托，将充电站选址进行优化，使模型输出结果更贴近实际。后续会通过大数据分析等技术方法对充电站快速和慢速充电桩分配定容做进一步研究。