《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》：Trajectory data–driven modeling and optimization of urban freight charging networks
编辑推荐：
轨迹分析与动态SOC估算结合，构建时空充电需求建模框架，优化 depot与en-route站点布局，揭示电池容量、充电功率和网络规模对充电可行性的影响机制，提出多目标评估方法及决策启示。
作者列表：卢彦超、张润生、王若萱、傅博晨、卢凯明、范鹏飞、于雷、宋国华
北京交通大学清洁与低碳智能交通技术工程研究中心，中国北京市海淀区上园村3号，邮编100044
摘要
充电供应不足和站点选址不合理阻碍了城市货运电动化的进程。本研究基于车辆的大规模秒级数据，开发了一个结合轨迹和能量分析的框架，用于描述充电需求的时空分布。该方法可以估算车辆的荷电状态（SOC），利用SOC-功率曲线模拟概率充电过程，并将低SOC事件映射到空间网格上以识别需求热点。在不同电池容量、充电器功率和网络规模下，对仓库和沿途充电站的布局进行了优化，评估指标包括行程完成率、绕行距离、延误时间和成本。以成都为例，研究表明：当仓库数量超过50个时，进一步增加仓库的部署效果会逐渐减弱；而在中等规模下，沿途充电站能带来最大的收益，这取决于仓库的可用性。较高的电池容量有助于提升电动化的可行性，而较高的充电功率主要通过缩短充电时间来减少延误。负荷曲线显示出明显的每小时峰值，这些峰值通过扩展充电网络得到缓解。该框架支持充电需求的识别、站点选址优化以及基于电网的货运电动化规划。
引言
货运运输是城市温室气体和污染物排放的主要来源之一。以柴油卡车为主的运输系统已成为低碳转型和城市环境可持续性的关键瓶颈。为实现碳峰值和碳中和目标，货运电动化被视为城市交通部门深度脱碳的重要途径（Yang和Hyland，2024）。与乘用车相比，货运车辆能耗更高、使用强度更大，并受到物流和调度安排的严格限制，因此其充电需求具有高功率、高频率和显著的时空异质性（Fu等人，2024；Li等人，2023；Teoh，2021）。充电供应不足或站点与实际需求之间的空间不匹配造成了显著的充电障碍，从而阻碍了电动化的进展。在这种情况下，开发能够准确反映现实世界货运充电需求的选址方法已成为紧迫的研究课题。现有的充电基础设施选址研究主要依赖于基于流量或覆盖范围的模型，以及基于点的可达性模型。经典的流量导向模型（如流量捕获位置模型FCLM）在满足行驶范围和预算限制的前提下，最大化覆盖的行程或可行的流量（Hodgson，1990；Kuby和Lim，2005）。后续研究考虑了站点容量（Upchurch等人，2009）、路径不确定性（Wu和Sioshansi，2017）以及与驾驶员续航焦虑相关的路线偏差（Kim，2010；Xu等人，2020）。基于点的模型（包括P-中位数和P-中心模型）也被广泛用于提高空间可达性（Brey等人，2016；He等人，2016；Iravani，2022；Janji?等人，2021；Lin等人，2008）。这些方法在提高空间覆盖率和可达性方面效果显著，但它们往往忽略了充电需求如何随时间产生和演变，这可能导致设施布局与实际充电需求之间的系统性偏差。作为这些流量和可达性导向模型的补充，基于需求和行为的信息方法通过观察到的移动性和充电模式来估算充电需求，并将其纳入选址优化中（Cai等人，2014；Huang和Kockelman，2020；Li和Jenn，2022；Shahraki等人，2015；Vazifeh等人，2019；Yi等人，2023）。然而，这些研究大多针对的是乘用车或电动出租车，且通常依赖于简化的能耗代理指标。对于货运车辆而言，这一限制尤为突出，因为其在空间和时间上的能耗具有很强的异质性，充电功率随SOC非线性变化，且充电决策具有概率性和时间依赖性，因此需要高精度、时空明确的充电需求模型来支持合理的选址决策。
尽管一些研究尝试将能耗或充电需求建模纳入选址过程中，但其精度对于货运运营来说仍然有限。大多数方法仅根据起点-终点（OD）模式或平均行驶距离来推断荷电状态（SOC），而没有考虑交通状况、车辆负载或其他影响货运车辆能耗的因素，从而无法准确捕捉SOC的动态变化。蒙特卡洛模拟（MCS）被广泛用于生成行驶距离分布并推断充电需求（Mahmoudi等人，2024；Shepero和Munkhammar，2018；Wang和Infield，2018；Zhang等人，2024）。然而，这些方法依赖于先验分布和简化的阈值，通常使用低频或汇总数据校准，这限制了它们对精细能耗和充电需求的表示能力。基于高分辨率轨迹的数据驱动方法日益受到重视，其中候选充电点通常通过频繁出现的行程终点位置或长时间停留的停车热点来确定，然后通过优化的站点集合进行覆盖（Asamer等人，2016b；Cai等人，2014；Li和Jenn，2022；Shahraki等人，2015；Vazifeh等人，2019）。最近的进展进一步将需求生成与选址优化相结合，包括一个基于代理的框架，该框架模拟城市规模的公共充电需求，并在预算和容量限制下重新分配站点（Yi等人，2023）。在更战略性的层面，车队更换决策也与共享充电设施相结合，强调了电动化路径与基础设施设计之间的相互作用（Pan等人，2025）。尽管取得了这些进展，但沿途的充电热点并不一定与货运车辆的充电需求热点重合。仓库充电通常占主导地位，充电功率依赖于SOC，且充电行为受运营限制，因此当简化能源动态和充电行为时，充电需求可能会被误判。
因此，准确建模货运车辆的充电需求是科学合理选址充电基础设施的关键前提。随着来自联网车辆系统的高分辨率、秒级车辆轨迹和运行数据的日益丰富，现在可以根据实际货运运营情况来模拟瞬时能耗和充电行为（Cao等人，2025；Hu等人，2022；Kim等人，2025；Wang等人，2022；Zhang等人，2022）。同时，通常假设货运电动化是按“以电代油”的方式进行的，即电动卡车在执行类似运输任务时取代柴油卡车，并遵循类似的运营模式（Cheng和Lin，2024；Zhai等人，2024）。为解决这一问题，本研究开发了一个结合轨迹和能量行为的框架，具体贡献如下：
(1)基于轨迹的精细需求建模。利用秒级货运轨迹建立了一个动态SOC估算框架，结合了依赖SOC的充电功率和概率充电行为，以明确识别和量化未满足的充电需求，并提供详细的时空分辨率。(2)基于需求和行为的选址方法。将推导出的需求模型整合到网络优化中，评估在不同电池容量、充电功率和网络规模下的仓库和沿途充电站配置，使用系统级性能指标进行评估，如行程完成率、绕行距离、延误时间和总成本。(3)面向决策的规划洞察。量化了不同部署规模和配置下的权衡和收益递减现象，为城市货运电动化的充电基础设施规划提供了可行的依据。方法部分
该方法论框架如图1所示。所提出的选址方法结合了轨迹分割、微观能量建模、充电行为模拟和网络优化，用于识别和评估货运充电基础设施。该过程包括四个主要阶段：
(1)将秒级车辆轨迹分割成单独的行程，从中推断出起点-终点（OD）对。确定仓库位置作为基础充电站点数据来源和预处理
本研究使用了2024年12月1日至7日期间在中国成都运行的16,575辆轻型卡车（总质量低于4.5吨）的运行数据，对充电基础设施选址进行了案例分析。轻型卡车广泛应用于城市货运配送，通常具有短途运输、高行驶频率和多次停车的特点（Khan和Machemehl，2017；Kim等人，2021）。这些运营特性使它们成为分析城市货运充电基础设施的理想对象结论
本研究调查了城市货运充电基础设施供应不足和选址不合理的问题。通过结合微观能量模型、概率充电行为和依赖SOC的功率函数，开发了一个基于轨迹的秒级建模框架，用于描述货运车辆的能耗和充电需求。通过成都案例研究评估了仓库和沿途充电设施的联合部署效果。主要研究结果如下：
作者贡献声明
卢彦超：撰写原始稿件、可视化设计、方法论构建、数据分析、概念化。张润生：撰写原始稿件、监督工作、数据分析。王若萱：撰写原始稿件、数据分析。傅博晨：方法论构建、数据分析、概念化。卢凯明：数据收集。范鹏飞：撰写稿件修订、监督工作。于雷：撰写稿件修订、资源协调。宋国华：撰写稿件修订利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。
