含不同容量充電樁的電動汽車充電站選址定容優化方法

肖 白，高 峰

（東北電力大學 電氣工程學院，吉林 吉林 132012）

0 引言

面對全球化石能源日漸枯竭、能源利用效率低和環境污染問題凸顯的三大挑戰［1］，我國制定了碳達峰和碳中和的“雙碳”戰略目標。交通是僅次于電力和工業的碳排放大頭，因此，大力發展和普及電動汽車EV（Electric Vehicle）成為應對上述三大挑戰和實現“雙碳”戰略目標的重要措施之一［2］。電動汽車充電站EVCS（Electric Vehicle Charging Station）作為普及EV的必備基礎設施，對其進行合理的規劃和建設具有迫切的需求和重要的現實意義［3］。

目前，國內外針對EVCS 的規劃進行了大量的研究，主要包括充電需求預測、選址定容模型建立和模型求解3 個方面。在充電需求預測方面：文獻［4］采用蒙特卡羅方法對共享EV的充電負荷進行預測；文獻［5］以EV用戶出行數據和用戶充電行為特征為依據，對目標區域內EV 的充電需求進行預測；文獻［6］基于數據驅動的方式，通過及時捕獲用戶的位置和電量信息對EV的充電需求進行預測。但是，上述EV 充電需求預測方法都是對目標區域內EV 總充電需求的時空分布進行預測，沒有考慮對含有多種容量充電樁的充電站進行規劃時EV 用戶對各種容量充電樁的選擇行為。

在選址定容模型建立方面：文獻［7］以充電站的投資運營年均成本最小為目標，建立了充電站選址定容的數學模型；文獻［8］同時兼顧充電站和用戶雙方的利益，建立了基于數據驅動的分布式魯棒優化定容模型；文獻［9］同時考慮電力系統與交通系統的深度交互以及不同充電站內EV用戶的轉移問題，提出了一種考慮網絡轉移特性的城市內快速充電站的規劃方法；文獻［10］綜合考慮充電站的建設運行成本、電動出租車的到站時間成本及充電等待時間成本，建立了充電站的規劃模型。但是，在上述充電站的選址定容模型中，假設充電站內充電樁的容量都相同，且在充電站的定容階段假設EV用戶的充電時長和停車持續時間相等，忽略了在現實生活中不同EV 用戶產生充電需求時的時空狀態、所處的生活狀態、EV 電池壽命等因素都會對充電樁的容量、充電時長和停車時長產生不同的預期。

在模型求解方面，文獻［11］將粒子群優化算法與最短路徑規劃優化的迪克斯特拉（Dijkstra）算法相組合，對EV充換放儲一體化電站的雙層規劃模型進行求解，取得了較好的效果。模擬退火SA（Simulated Annealing）算法能有效收斂于全局最優［12］，因此本文結合SA 算法和Dijkstra 算法對雙層模型進行聯合求解。

鑒于上述問題，本文提出了一種含不同容量充電樁的EVCS 選址定容優化方法，并基于北方某城市經濟開發區的工程實例驗證本文所提方法的正確性和有效性。

1 基本原理

含不同容量充電樁的EVCS 選址定容優化方法的基本原理示意圖如圖1所示。

圖1 基本原理示意圖Fig.1 Schematic diagram of basic principle

1）管理策略。當前，EV普遍采用恒流-恒壓CCCV（Constant Current-Constant Voltage）方式進行充電。這種充電方式分為2 個階段：當EV 起始充電時刻電池的荷電狀態SOC（State Of Charge）較低時，采用恒定大電流進行快速充電（即恒流充電）；當EV電池的SOC 達到恒流充電階段的最大值，即充電閾值時，采用恒壓充電模式繼續充電（即恒壓充電），這樣能在保證充電速率的同時延長電池的使用壽命。但是，在EV 充滿電的過程中，恒壓充電階段的充電時長與恒流充電階段的充電時長相近，而恒壓充電階段的充電量卻遠小于恒流充電階段的充電量［13］。因此，本文設定EVCS 投資運營者在經營充電站時的管理策略為：在充電高峰時段犧牲一部分EV用戶的利益，即只采取恒流充電模式將EV電池的SOC充至其充電閾值，若在充電高峰時段結束后用戶仍未返回充電站，則以恒壓充電模式繼續對EV進行充電。

2）充電場景分析。EVCS的規劃是涉及企業、市政、交通、電力等多個部門的協調規劃［14］。本文在市政部門已給出備選站址和目標區域經濟狀況的基礎上，在車流信息、充電站的管理策略和EV 行為特征（本文中的EV 行為特征具體包括EV 起始充電時刻的剩余電量、充電過程中的停車持續時間、充電時電池電量的閾值）已知的條件下，對最優EVCS 數量、站址位置、EVCS內的車位數量以及站內不同容量充電樁的數量進行規劃。為了便于敘述，本文僅對站內含有2種不同容量的直流充電樁（容量分別為A和B）的情況進行討論，其中容量為B的充電樁的額定功率是容量為A的充電樁的額定功率的2.5 倍。需要說明的是，本文所提優化方法同樣適用于EVCS內含有多種容量充電樁的場景。

3）EV 充電需求預測模型建立。首先，通過分析充電場景，計算EV用戶有充電需求時選用不同容量充電樁充電的概率；然后，結合目標年每天到達EVCS進行充電的EV占車流量的比例和待規劃充電樁的容量及參數，采用蒙特卡羅方法對EV充電需求的時空分布、EV 用戶選用不同容量充電樁進行充電的平均充電時長以及停車持續時間進行預測。

4）EVCS雙層選址定容模型建立。EVCS作為公共基礎設施，其規劃不僅涉及投資經營者的利益，還涉及EV 用戶等多方利益，所以在規劃時都要考慮。鑒于此，本文同時考慮了EVCS 內有多種容量充電樁、EV 用戶的停車時長、EV 選用不同容量充電樁時的充電時長等因素，結合本文設定的管理策略，建立了以充電站的年化總成本與EV 用戶年損失成本之和最小為目標，以EVCS 之間的距離、EVCS 的數量、EVCS 的容量和單樁充電功率為約束條件的上層EVCS 選址定容優化模型，以及以EV 用戶到站充電過程中行駛距離最短為目標的下層EVCS 服務范圍優化模型。

5）模型求解。本文采用SA 算法和Dijkstra 算法對雙層規劃模型進行聯合求解，根據適應度值得到目標區域的最優EVCS 數量以及各EVCS 的位置和最優容量配置。

2 EV 用戶選用不同容量充電樁充電的概率計算

目前，我國主要的EV 類型包括電動私家車、電動出租車、電動商務車和電動公交車。其中，電動出租車的電池型號一致，其電能補給方式采用換電模式時優勢較大；電動公交車由政府交管部門統一運營。故本文所研究的充電站主要為面向電動私家車和電動商務車的公共型充電站。

在用戶的日常出行過程中，EV 在不同目標區域的停車持續時間會呈現不同的規律和變化趨勢，且產生充電需求時的選擇行為與充電需求大小、可選用的充電樁容量、用戶在出行活動中計劃的停車持續時間［15］、EV 電池壽命、不同容量充電樁的充電價格等因素有關。其中：停車持續時間較長的用戶傾向于選用小容量的充電樁以降低充電成本；停車持續時間較短的用戶寧可增加其充電成本也會選用大容量的充電樁。因此，本文根據EV的停車持續時間來判斷用戶更傾向于選用的充電樁容量。

可根據以下步驟計算EV 在產生充電需求時分別選用容量為A和B的充電樁進行充電的概率。

1）計算EV 在停車持續時間內采用容量為A的充電樁進行充電不能滿足其充電需求時，采用容量為B的充電樁進行充電的條件為：

式中：PA為容量為A的充電樁在恒流充電階段的充電功率；η為充電樁的充電效率；TP為EV 的停車持續時間；SCC為EV的SOC充電閾值；Sstart為EV起始充電時刻的SOC；C為目標區域EV電池的平均容量。

2）根據式（2）計算式（1）發生的概率pf，即EV到站充電時選用容量為B的充電樁進行充電的概率。

3 基于用戶出行特征的EV充電需求預測

合理準確地預測EV 充電需求是對充電設施進行選址定容的基礎。為了方便研究，本文將各街道上EV 產生的充電需求等效到距其最近的各路口節點上，然后基于EV 用戶日常出行過程中的時間、空間和電量特征以及EV 到站充電時選用不同容量充電樁進行充電的概率，采用蒙特卡羅方法對EV充電需求進行預測，具體步驟如下。

1）計算目標區域內每天到EVCS進行充電的EV數量nev。

式中：nc為目標區域內的路口節點數量；qk為考慮EV 增長后，在目標年路口節點k處預計每天產生的車流量；β為在目標年考慮每天在家或公司等其他地方充電的EV 后，車流量中每天到EVCS 進行充電的EV 比例［17］；nev，B、nev，A分別為目標區域內每天到EVCS進行充電的EV中選用容量為B、A的充電樁進行充電的EV數量。

2）分別根據式（8）—（10）隨機抽取目標區域每天到EVCS 充電的所有EV 的停車持續時間、起始充電時刻的SOC及起始充電時刻，并根據式（1）判斷其選用的充電樁容量。

式中：Pn為第n輛EV 產生的充電需求；f為判斷EVCS 內充電高峰時段的變量，當EVCS 處于充電高峰時段時f=1，當EVCS不處于充電高峰時段時f=0；Send，n為第n輛EV 充電結束時刻的SOC；SCV，n為第n輛EV 在停車持續時間內采用恒壓充電模式充電的SOC 大??；TCC，n為第n輛EV 采用恒流充電模式充電的時長；Tn為第n輛EV 充電至SOC 為100%所需的時長，具體計算方法可參考文獻［18］；M∈{A，B}為充電樁容量變量，當第n輛EV 到站選用容量為A的充電樁時M=A，當第n輛EV 到站選用容量為B的充電樁時M=B；PM為容量為M的充電樁在恒流充電階段的功率；PM(t)為恒壓充電階段容量為M的充電樁的實時功率，其計算方法可參考文獻［19］。

需要指出的是，式（11）涉及的充電高峰時段是根據具體時段進行判斷的，包括如下3 個步驟：①預測EV 充電需求的時空分布、每輛EV 的平均充電時長和所充電量；②求取目標區域內各時段有充電需求的EV數量；③統計任意平均充電時長內有充電需求的EV數量的最大值，將該類時段設定為充電高峰時段。

4）分別對目標區域內EV 在每天的相同時刻產生的不同功率的充電需求、停車持續時間和充電時長進行疊加并儲存，然后進行下一次循環，直至循環結束。

5）對所有循環得到的目標區域內EV 在每天的相同時刻產生的同一功率的充電需求、停車持續時間和充電時長取平均值，并結合各路口節點的車流量占目標區域全天總車流量的比例，得到EV充電需求的時空分布、EV 選用不同容量充電樁的平均充電時長以及平均停車持續時間。

4 EVCS選址定容雙層規劃優化模型

4.1 上層優化模型

4.1.1 目標函數

本文綜合考慮EVCS 投資經營者和EV 用戶的利益，建立EVCS 上層優化模型的目標函數，如式（16）所示。

式中：W為目標區域內EVCS投資經營者的年化總成本與EV用戶的年損失成本之和，下文將其簡稱為總經濟成本；W1為EVCS 投資經營者的年化總成本，包括EVCS 的建設成本、運行維護成本和土地購買成本；W2為EV 用戶的年損失成本；Ccoi、Comi、Clpi分別為第i座EVCS 的建設成本、運行維護成本、土地購買成本；ne為目標區域內規劃的EVCS數量；r0和y分別為EVCS 的平均貼現率和運行年限；Cevui為第i座EVCS服務范圍內EV用戶的年空駛成本與年時間成本之和（即EV用戶的年損失成本）。

1）EVCS的建設成本。

EVCS的建設成本主要包括固定投資成本、充電樁購買成本以及EVCS 內與充電樁總額定功率有關的成本。因此，第i座EVCS 的建設成本Ccoi可以表示為：充電樁數量。

在配置EVCS 內充電樁數量的過程中，本文考慮了各座EVCS 服務范圍內每天不同時刻產生的不同功率的充電需求、2 種容量充電樁的平均服務時間、EV 選用不同容量充電樁進行充電時的平均停車持續時間、充電樁出現故障而進行檢修維護等因素，然后采用排隊論方法求取各座EVCS 應購買的2 種容量充電樁的數量。本文將EV 的平均停車持續時間與接受充電服務的平均時間之間的差值定義為EV 用戶可接受的平均排隊時長。則第i座EVCS 內容量為A、B的充電樁最優數量應分別滿足式（22）和式（23），考慮充電樁出現故障而進行檢修維護等因素后第i座EVCS 最終規劃的充電樁數量應滿足式（24）。

2）EVCS的運行維護成本。

EVCS的運行維護成本與其建設成本密切相關，EVCS的建設成本越高，說明投入的設施和需要的工作人員越多，則所需的運行維護成本也越高。因此，第i座EVCS 的運行維護成本可以按照其建設成本進行折算，可表示為：

式中：φ為EVCS 內相關建筑設施、輔助設施、道路、綠化以及其他設施占地面積折算到車位面積的比例系數；mev為EVCS 內單個車位的面積；npsi為第i座EVCS內的車位數量；ki為第i座EVCS所在區域的土地單價；kre、kic、kin分別為居民區、商業區、工業區的土地單價。

本文考慮在產生充電需求時用戶就會將EV 停至EVCS，然后站內相關人員會對EV進行充電安排。由于EV的停車持續時間可能大于充電時長，因此需要規劃多余的車位，則EVCS 內的車位數量可以表示為：

4.1.2 約束條件

基于目標區域內交通、經濟、政治、發展等因素，對上層優化模型設置相鄰EVCS 之間的距離約束、EVCS 數量約束、EVCS 容量約束和單臺充電樁的充電功率約束。

1）相鄰EVCS之間的距離約束。

為了同時滿足EV 用戶日常出行的便利性以及EVCS 投資運營者的經濟性，相鄰2 座EVCS 之間的距離既不能太遠也不能太近，且合理設置相鄰2 座EVCS 之間的距離還能在很大程度上降低模型的求解難度。故相鄰EVCS之間的距離DL需滿足：

2）EVCS數量約束。

目標區域內EVCS 的數量與每座EVCS 的容量以及該區域內EV每天的總充電需求有關，合理配置EVCS 數量不僅能同時兼顧EVCS 投資運營者和EV用戶的利益，還能最大限度地發揮土地效益，并對配電網的二次規劃起到有利的作用。因此，目標區域內規劃的EVCS數量ne需滿足：

3）EVCS容量約束。

EVCS 的容量主要取決于充電樁的數量以及充電樁每天的工作時長：若EVCS 內的充電樁數量太少，則不僅會造成EVCS 投資運營者的初始投資成本太大而回報率過低的情況，還會導致EV排隊時間過長的現象，進而使得EV 用戶的滿意度降低；若EVCS內的充電樁數量太多，則會導致單臺充電樁的利用率降低，不僅會損害EVCS 投資經營的利益，還會導致社會資源的浪費。因此，需要合理規劃EVCS容量，第i座EVCS的容量Si需滿足：

4.2 下層優化模型

對EVCS 容量進行配置之前，應先確定各座EVCS 的服務范圍，然后結合第3 節的EV 充電需求預測結果，求解各座EVCS的最優容量配置。

從EV 用戶的角度出發，假設當EV 產生充電需求時，用戶會優先選擇距其最近的EVCS 進行充電（就近原則），以此作為優化目標確定各座EVCS 的服務范圍。那么下層優化模型的目標函數可以表示為：

5 模型求解

EVCS 選址定容規劃是一個含多約束條件的復雜非線性優化問題，且上、下層優化模型的目標函數具有很強的耦合性，因此在求解過程中不能單一地針對某一層目標函數進行求解。本文采用SA 算法和Dijkstra算法的組合算法對EVCS選址定容雙層規劃優化模型進行聯合求解，求解流程圖如圖2所示。

圖2 EVCS選址定容雙層規劃優化模型的求解流程圖Fig.2 Flowchart of solving two-layer planning optimization model for EVCSs’site selection and capacity determination

當SA 算法在相同的溫度下進行迭代尋優時，會根據Metropolis 準則以一定的概率接受較差解，這樣可以使其在尋優過程中逃脫局部極值，避免過早收斂，提高其全局尋優能力。Metropolis 準則中接受較差解（新解）的概率p可表示為：

式中：En為新解的內能；Eo為原解的內能；K為溫度衰減系數；TT為當前系統的溫度。

模型的求解步驟為：上層優化模型采用SA 算法，在備選站址已知的基礎上隨機產生1 組選址方案，并將這1 組方案傳入下層；下層采用Dijkstra 算法，根據已有的街道信息和上層方案形成的鄰接矩陣，求解每輛EV 到達各座EVCS 的距離，并以距其最近的EVCS 作為其目標充電站，對各座EVCS 的服務范圍進行劃分，然后將各座EVCS 服務范圍內的充電負荷返回給上層模型進行定容優化；在當前溫度下計算得到最優適應度值后，執行降溫操作；重復上述過程以得到最終的EVCS選址定容結果。

6 算例分析

6.1 基礎數據

為了驗證本文所提規劃方法的合理性，對北方某城市內占地面積為22.68 km2的經濟技術開發區的EVCS 進行規劃。目標區域的地形圖見附錄A 圖A1。該區域由15 個居民區、4 個休閑區、18 個商業區、5 個工業區及3 個綠化區組成，區域內共有81 條主要交通干道和37 個路口節點（編號見圖A1中的數字），18 個備選站址分布在各區域內。目標年各路口節點的預計車流量數據見附錄A 表A1，與EVCS 選址定容模型相關的參數設置見附錄A表A2。

6.2 EV充電負荷預測結果及分析

對距目標區域最近的EVCS 內EV 的充電數據進行統計和分析，然后對在不同時刻進行充電的EV數量進行擬合，得到不同起始充電時刻有充電需求的EV 數量直方圖和擬合概率密度函數曲線，如圖3所示。

圖3 不同起始充電時刻有充電需求的EV數量直方圖和擬合概率密度函數曲線Fig.3 Histogram of EV quantity with charging demand at different initial charging time and fitting probability density function curve

由圖3 所示擬合結果可知，目標區域內EV 的起始充電時刻與有充電需求的EV 數量之間的關系近似服從雙峰正態分布，且該目標區域內公共型充電站的EV負荷主要集中在下午至晚上時段。

假設目標區域內電動私家車和電動商務車的電池容量服從［45，55］kW·h 范圍內的均勻分布，且EV 在目標區域的停車持續時間滿足均值μstop=2.74 min、標準差σstop=1.20 min 的對數正態分布。根據第3 節，采用蒙特卡羅方法對目標區域內的EV 充電需求進行預測，可以得到單輛EV產生充電需求時選用不同容量充電樁進行充電的日平均負荷曲線，如圖4所示。

圖4 目標區域內單輛EV的日平均負荷曲線Fig.4 Daily average load curves of single EV in target area

由圖4 可知：目標區域內EV 的充電負荷曲線與其起始充電時刻的概率密度函數曲線一樣都呈雙峰狀分布，2 個峰值時刻分別為12:00 和20:00，且第2個負荷峰值高于第1個負荷峰值；選用容量為A的充電樁的EV 用戶距下一段行程的出行時間相對比較寬松，而選用容量為B的充電樁的EV 用戶距下一段行程的出行時間相對較緊張，因此選用容量為A的充電樁的單輛EV 日平均負荷曲線高于選用容量為B的充電樁的單輛EV日平均負荷曲線。

本文設定的管理策略會導致在平時段的EV充電電量多余峰時段，圖4 中的2 條負荷曲線在18:00—22:00 時段內都有波動，且2 條負荷曲線在充電峰時段的最大負荷均大于平時段的最大負荷。因此，在本文設定的EVCS 管理策略下，選用充電站峰時段的充電需求進行定容后也能滿足平時段的EV 充電需求。

在本文設定的EVCS 管理策略下，在目標區域內選用2 種容量充電樁的平均充電速率和EV 的平均停車持續時間的預測結果如表1 所示。由表可知：相較于平時段，EV 充電峰時段內站內容量為A、B的充電樁的平均充電速率均都有所提高，分別提高了29.3%、11.7%，這表明本文設定的管理策略能在充電峰時段較大地提升2 種容量充電樁的平均充電速率，雖然犧牲了一部分EV 用戶的利益，但會在很大程度上降低EVCS 投資經營者的成本且大概率不會影響EV 用戶之后的出行安排；EV 在站內的停車持續時間都長于其充電時長，所以本文需要為完成充電但是用戶還未返回的EV 設立多余的等待車位。

表1 平均充電速率和EV平均停車持續時間的預測結果Table 1 Forecasting results of average charging rate and EVs’average stop duration

為了對本文所提規劃方法進行驗證，在設定的EVCS 管理策略下設置如下3 種規劃方法進行對比分析：①本文方法，對EVCS 的位置以及站內2 種容量的充電樁進行規劃；②對比方法1，EVCS 內僅有容量為B的充電樁，對EVCS的位置以及充電樁進行規劃；③對比方法2，EVCS 內僅有容量為A的充電樁，對EVCS的位置以及充電樁進行規劃。

6.3 EVCS的規劃結果及分析

根據已給定的備選站址隨機生成1 個初始解，并根據圖2 所示流程圖優化迭代200 次，最終得到3種規劃方法下總經濟成本W隨充電站數量ne的變化曲線，如圖5所示。

圖5 3種規劃方法下W隨ne的變化曲線Fig.5 Variation curves of W vs. ne under three planning methods

由圖5 可知，3 種規劃方法下目標區域內EVCS投資經營者和EV 用戶的總經濟成本隨著ne都呈現先下降后上升的趨勢。當ne=3 座時，本文方法和對比方法1 的總經濟成本同時取得最小值；當ne=4 座時，對比方法2 的總經濟成本取得最小值。因此，本文方法和對比方法1 下目標區域應規劃的EVCS 最優數量為3 座，對比方法2 下目標區域內應規劃的EVCS最優數量為4座。最終求解所得3種規劃方法下各EVCS 的位置及其服務范圍見附錄A 圖A2。3種規劃方法的最優選址定容結果分別見表2—4。

表2 本文方法的EVCS選址定容結果Table 2 EVCSs’site selection and capacity determination results of proposed method

表3 對比方法1的EVCS選址定容結果Table 3 EVCSs’site selection and capacity determination results of Comparison Method 1

表4 對比方法2的EVCS選址定容結果Table 4 EVCSs’site selection and capacity determination results of Comparison Method 2

由表2—4 可知：本文方法的總經濟成本為487.1 萬元，相較于對比方法1 和對比方法2 分別減少了67.0、383.3 萬元；相較于本文方法和對比方法1，對比方法2 的EV 用戶年損失成本最優，但其年建設成本和年運行維護成本都大幅增大。因此，在對EVCS 進行規劃時，根據不同EV 用戶的行為特征對不同容量的充電樁進行規劃比對單一容量充電樁進行規劃的經濟性更好，可見本文方法在兼顧了EVCS投資運營者與EV用戶利益的同時，能夠有效地降低EVCS投資運營者的成本。

6.4 求解算法的性能分析

本文將SA 算法和Dijkstra 算法相結合，對EVCS的選址定容雙層規劃優化模型進行聯合求解，為了驗證本文算法的優越性，設置如下2 種算法進行對比分析：對比算法1 采用遺傳算法與Dijkstra 算法相結合進行求解；對比算法2 采用粒子群優化算法與Dijkstra 算法相結合進行求解。3種算法的結果對比如表5 所示。其中：對比算法1 和對比算法2 的種群規模均為100，最大迭代次數均為200 次；本文算法的馬爾科夫鏈長度為100，初始溫度為100 ℃，溫度衰減系數為0.99。

表5 3種算法的結果對比Table 5 Result comparison among three algorithms

由表5 所示結果可知，本文算法的求解時間最短，為47.9 s，且在本文方法下求解所得總經濟成本最小，為487.1 萬元?？梢?，本文采用SA 算法和Dijkstra算法相結合對模型進行求解的效果最好。

7 結論

本文提出了一種含不同容量充電樁的EVCS 選址定容優化方法，所得主要結論如下：

1）所設定的管理策略能夠在EVCS 的充電峰時段提升站內充電樁的充電速率，提高充電樁全天的利用率，降低EVCS投資經營者的成本；

2）通過計算EV 到站充電時選用不同容量充電樁充電的概率，能夠計算得到EV在不同充電功率下的充電需求占比；

3）通過建立充電需求時空預測模型對EV 充電需求的時空分布、不同容量充電樁的充電速率和EV用戶選用不同容量充電樁時的平均停車持續時間進行客觀地描述及分析，能夠提高EVCS 選址定容的精確性與合理性；

4）所建立的EVCS 選址定容雙層規劃優化模型，在兼顧了EVCS 投資運營者的經濟性和EV 用戶充電行駛的便捷性且能滿足目標區域全天充電需求的同時，還考慮了EV用戶對充電時間的利用；

5）基于SA 算法和Dijkstra 算法的組合算法，能夠有效地解決含范圍劃分的多約束條件下復雜非線性和強耦合性的EVCS選址定容雙層規劃問題。

附錄見本刊網絡版（http：//www.epae.cn）。