魏冠元，王冠群，阮觀梅，耿 娜

1.國(guó)網(wǎng)能源研究院有限公司，北京 102209

2.上海交通大學(xué) 中美物流研究院，上海 200030

近十年來(lái)，汽車數(shù)量快速增長(zhǎng)，環(huán)境污染和能源短缺問(wèn)題日益凸顯。據(jù)我國(guó)公安部統(tǒng)計(jì)，截至2022年6月底，全國(guó)汽車保有量高達(dá)3.10億輛[1]，比2012年增加近2倍。在此背景下，具有低碳環(huán)保、經(jīng)濟(jì)高效等特點(diǎn)的EV受到了廣泛關(guān)注和重視[2]。然而，EV 續(xù)航里程短、充電設(shè)施不足等制約了其產(chǎn)業(yè)的發(fā)展[3]。對(duì)此，國(guó)務(wù)院辦公廳印發(fā)了《新能源汽車產(chǎn)業(yè)發(fā)展規(guī)劃（2021—2035年）》，指出要加快充換電基礎(chǔ)設(shè)施建設(shè)，科學(xué)布局充換電基礎(chǔ)設(shè)施[4]。作為EV 運(yùn)行的關(guān)鍵保障，充電站的科學(xué)選址布局不僅對(duì)促進(jìn)EV 的普及有重要作用，還有利于提高充電站相關(guān)企業(yè)的盈利水平以及用戶滿意度。而充電站不合理的選址也會(huì)帶來(lái)系列問(wèn)題，如影響城市交通網(wǎng)絡(luò)的規(guī)劃布局等[5]。因此，對(duì)EV 充電站選址進(jìn)行深入研究具有重要意義。

在20 世紀(jì)90 年代，一些學(xué)者主要基于經(jīng)典選址方法對(duì)EV充電站選址布局展開(kāi)研究[6-7]。隨著EV電池等相關(guān)技術(shù)不斷成熟，以及在政府政策推動(dòng)下，越來(lái)越多學(xué)者深入研究EV 充電站選址問(wèn)題，涌現(xiàn)出許多新內(nèi)容和新方法。而目前關(guān)于EV充電站選址的研究綜述相對(duì)較少[8-10]，為全面觀察充電站選址研究的發(fā)展情況，本文選取近20 年CNKI 數(shù)據(jù)庫(kù)以及Web of Science 數(shù)據(jù)庫(kù)的相關(guān)文獻(xiàn)，對(duì)EV充電站選址問(wèn)題展開(kāi)系統(tǒng)綜述，分別從充電站選址基本原則和影響因素、充電需求估計(jì)方法、充電站選址模型和求解方法等系統(tǒng)梳理EV 充電站選址智能決策和優(yōu)化的相關(guān)文獻(xiàn)，整體邏輯框架見(jiàn)圖1。最后總結(jié)現(xiàn)有研究存在的不足并對(duì)未來(lái)研究方向進(jìn)行了展望，對(duì)今后關(guān)于EV 充電站選址智能決策與優(yōu)化的相關(guān)研究提供參考和借鑒。

1 充電站選址基本原則和影響因素研究

1.1 EV充電站選址基本原則

選址基本原則是EV 充電站合理布局的重要標(biāo)準(zhǔn)指南。

（1）經(jīng)濟(jì)性原則。在進(jìn)行EV充電站布局規(guī)劃時(shí)，從運(yùn)營(yíng)商角度，需要盡可能選擇土地成本低、電力成本經(jīng)濟(jì)、交通費(fèi)用小、運(yùn)行維護(hù)消耗少等投資運(yùn)營(yíng)成本最小的充電站布局[11]；從用戶角度，需要考慮繞行距離、出行時(shí)間和損耗成本最小；從社會(huì)角度，應(yīng)綜合考慮充電公司和用戶成本最小化[12]。

（2）便利性原則。EV 充電站選址應(yīng)考慮用戶異質(zhì)性需求，并滿足充電站服務(wù)半徑需求，即服務(wù)半徑小于EV的續(xù)駛里程[13]。此外，應(yīng)避免在車流速快、車道多的區(qū)域設(shè)置充電站[14]。

（3）可行性原則。EV 充電站選址主要涉及地理環(huán)境和社會(huì)環(huán)境的建設(shè)可行性。充電站選址應(yīng)盡可能避免防洪條件差、地震多發(fā)的區(qū)域[14]；且應(yīng)符合地區(qū)電網(wǎng)和路網(wǎng)規(guī)劃相關(guān)要求[15]。

（4）安全性原則。EV 充電站選址不僅要考慮最大負(fù)荷需求，滿足大規(guī)模EV電力需要，保障電網(wǎng)運(yùn)行的安全性[16]，還應(yīng)充分考慮防火防爆等安全需求，避免靠近容易發(fā)生火災(zāi)或爆炸的危險(xiǎn)區(qū)域[15]。

1.2 EV充電站選址影響因素

EV 充電站選址是一個(gè)復(fù)雜的過(guò)程，厘清充電站選址的影響因素是準(zhǔn)確進(jìn)行選址決策的重要前提。

宏觀層面，充電站選址影響因素主要包括經(jīng)濟(jì)因素、政策因素、社會(huì)因素、環(huán)境因素和技術(shù)因素。其一，由于商業(yè)性質(zhì)，EV充電站選址有必要考慮土地成本[17]、投資成本[18]、損耗成本[19]、運(yùn)營(yíng)維護(hù)成本[20]等經(jīng)濟(jì)因素。其二，EV充電站的選址布局離不開(kāi)國(guó)家、地區(qū)各類政策的引導(dǎo)與支持。政府作為第四方投資者，對(duì)所選地區(qū)建設(shè)充電站實(shí)施的政策主要包括規(guī)范文件、補(bǔ)貼政策、電價(jià)優(yōu)惠和稅收優(yōu)惠等[21]。不同地區(qū)的政策差異較大，需要對(duì)所選地區(qū)政策具體分析后再進(jìn)行選址。其三，社會(huì)因素決定了EV 充電站選址能否滿足更多居民的需求，提高居民滿意度[22]。影響充電站選址的社會(huì)因素主要包括人口密度[23]、居民態(tài)度[24]、社會(huì)福利[25]等。同時(shí)道路情況、交通流量等交通環(huán)境對(duì)充電站選址具有重要影響[26]。Raveendran 等[27]認(rèn)為充電站可以布局在機(jī)場(chǎng)、地鐵車站、校園、辦公大樓等區(qū)域。而Capar等[28]指出只有道路網(wǎng)絡(luò)的節(jié)點(diǎn)才能被視為候選選址。此外，技術(shù)因素是EV 充電站選址的重要支撐，主要考慮相關(guān)技術(shù)下電網(wǎng)容量、電能質(zhì)量等能否滿足EV的充電需求[29-30]。由于充電站與配電系統(tǒng)相連，其選址布局時(shí)需要考慮配電系統(tǒng)的容量大小、電壓上下限值等[2]。而當(dāng)大規(guī)模EV 接入配電系統(tǒng)時(shí)，會(huì)引起節(jié)點(diǎn)電壓嚴(yán)重下降，從而對(duì)其他用戶用電造成影響[31]，因此充電站選址時(shí)需要考慮提高電能質(zhì)量的相關(guān)技術(shù)因素，如無(wú)功補(bǔ)償技術(shù)等。

微觀層面，充電站選址影響因素主要包括充電需求和供給因素。EV充電需求是影響充電站選址布局的關(guān)鍵因素[13]，主要包括充電需求量和需求類型。一方面，區(qū)域的充電需求總量主要與該區(qū)EV保有量、行駛里程、區(qū)域經(jīng)濟(jì)水平、人口密度有關(guān)[32]；用戶充電需求量取決于用戶充電行為特征，如出行頻率、出行距離、充電選擇偏好、排隊(duì)時(shí)間接受度等[10]。另一方面，充電需求分為慢充需求、常規(guī)充電需求和快充需求三種類型，一般選擇在住宅區(qū)和辦公室停車場(chǎng)建立慢速充電站，在商業(yè)停車場(chǎng)建立額定功率相對(duì)較高的常規(guī)充電站，在道路沿線建立快速充電站[33]。充電站選址還應(yīng)綜合考慮充電需求的時(shí)空分布特征，例如充電高峰和低峰時(shí)間段的比例分布[34]。胡培婷等[35]指出廣州充電需求高度集聚，應(yīng)選擇緊湊型的充電站布局。此外，充電站在進(jìn)行選址時(shí)需要對(duì)服務(wù)能力、服務(wù)時(shí)間、充電站可達(dá)性等供給能力進(jìn)行分析，以匹配充電需求。大型充電站應(yīng)具備為各類EV充電的能力，中型充電站則須具備為多種常見(jiàn)EV充電的能力[36]。服務(wù)時(shí)間主要受到EV 運(yùn)行模式的影響。例如由于公交車和公務(wù)車晚間停運(yùn)，因此可在其停運(yùn)時(shí)間開(kāi)放充電服務(wù)，利用電力低谷進(jìn)行常規(guī)充電[13]。充電站可達(dá)性受服務(wù)半徑影響。較大的服務(wù)半徑雖然使得充電站數(shù)量減少，投資成本降低，但是可達(dá)性同時(shí)也降低，用戶體驗(yàn)下降[32]。

2 EV充電需求估計(jì)方法

2.1 基于出行模擬的充電需求估計(jì)

較多研究采用基于概率統(tǒng)計(jì)的蒙特卡洛模擬（Monte Carlo simulation，MCS）方法估計(jì)充電需求，即通過(guò)模擬EV 出行時(shí)間、出行路線及隨機(jī)充電行為等，估計(jì)EV 充電需求時(shí)間、地點(diǎn)和功率?；诟怕式y(tǒng)計(jì)的蒙特卡洛模擬方法總結(jié)如表1所示。

早期學(xué)者主要研究充電模式、時(shí)間和地點(diǎn)固定的情形，利用MCS 抽取EV 起始荷電狀態(tài)（state of charge，SOC）來(lái)計(jì)算充電負(fù)荷需求。羅卓偉等[37]指出商場(chǎng)、超市停車場(chǎng)等地點(diǎn)存在充電時(shí)長(zhǎng)限制，而單位和居民停車場(chǎng)則允許長(zhǎng)時(shí)間充電，因此針對(duì)前者假設(shè)起始充電時(shí)間范圍給定，針對(duì)后者則假設(shè)EV充滿電才離開(kāi)，分析了不同充電模式下EV充電需求，但是對(duì)起始SOC等參數(shù)選取具有一定主觀性。同時(shí)該種確定性概率分布的模擬方法難以反映現(xiàn)實(shí)中EV充電行為的隨機(jī)性特征。

部分學(xué)者進(jìn)一步考慮了EV 出行的多樣性和隨機(jī)性。與常規(guī)概率模型假設(shè)EV 接入電網(wǎng)后立即充電不同，周念成等[38]針對(duì)混合動(dòng)力EV 改進(jìn)了初始SOC 的抽樣方法，考慮充電時(shí)間長(zhǎng)度對(duì)開(kāi)始充電時(shí)刻選擇的影響，同時(shí)引入隨機(jī)因素如EV實(shí)時(shí)充電數(shù)量，構(gòu)建多種類型EV 接入配電網(wǎng)的充電需求概率模擬模型。然而，該類研究缺少對(duì)出行和停放地點(diǎn)、道路交通等空間因素的考慮，忽視了不同區(qū)域EV 的時(shí)空分布特性對(duì)充電需求的影響。

近年來(lái)，有關(guān)EV 充電需求的研究重點(diǎn)從需求時(shí)間分布預(yù)測(cè)發(fā)展到時(shí)空分布預(yù)測(cè)。許威等[39]基于馬爾可夫鏈描述EV 一天出行過(guò)程中荷電狀態(tài)的變化情況，考慮交通擁堵對(duì)行駛時(shí)間的影響，利用MCS 對(duì)用戶行為規(guī)律進(jìn)行精細(xì)化模擬，能夠較好地體現(xiàn)工作區(qū)、住宅區(qū)、商業(yè)區(qū)等不同區(qū)域的EV 充電負(fù)荷曲線，但是對(duì)用戶行為考慮不夠充分。對(duì)此，鮑瓊等[40]構(gòu)建用戶出行-充電行為鏈，結(jié)合模糊邏輯刻畫(huà)用戶充電行為，使用MCS模擬用戶群體的出行和充電行為，能夠?qū)r(shí)間分布預(yù)測(cè)精確到分鐘，空間需求預(yù)測(cè)精確到路網(wǎng)節(jié)點(diǎn)，但是沒(méi)有考慮用戶群體與其行為模式異質(zhì)性的影響。而Zhang等[41]通過(guò)MCS模擬各地區(qū)EV到達(dá)狀態(tài)，并將用戶分為緊急用戶和隨機(jī)用戶，其中緊急用戶必定選擇充電，而隨機(jī)用戶則根據(jù)模糊推理算法估計(jì)充電概率，針對(duì)不同用戶建立分層充電決策模型，再根據(jù)決策結(jié)果進(jìn)行充電需求估計(jì)。該研究很好地解決了實(shí)際情況中不同用戶如何做出充電決策，以及不同決策下需求的時(shí)空分布問(wèn)題，但是缺乏真實(shí)的EV軌跡數(shù)據(jù)支撐。

綜上，基于概率統(tǒng)計(jì)的MCS 方法優(yōu)勢(shì)在于所需數(shù)據(jù)量較少，通過(guò)模擬用戶出行規(guī)律，能夠獲得EV充電需求的時(shí)空分布特征。但是隨著EV 的普及，該方法存在明顯局限性。一方面，由于充電需求影響因素較多且關(guān)系復(fù)雜，難以獲得準(zhǔn)確的概率模型[42]。另一方面，該方法主要基于模擬數(shù)據(jù)進(jìn)行需求預(yù)測(cè)，缺乏真實(shí)數(shù)據(jù)支撐，難以反映現(xiàn)實(shí)充電需求的真實(shí)情況[43]。

2.2 基于數(shù)據(jù)分析的充電需求估計(jì)

數(shù)據(jù)分析方法主要通過(guò)挖掘EV真實(shí)的歷史運(yùn)行數(shù)據(jù)，分析EV 出行和充電行為的規(guī)律，進(jìn)而估計(jì)充電需求?；跀?shù)據(jù)分析的充電需求估計(jì)方法如表2所示。

早期由于缺乏實(shí)際數(shù)據(jù)，許多學(xué)者基于社會(huì)人口特征、EV 保有量和交通流量等統(tǒng)計(jì)數(shù)據(jù)直接估計(jì)充電需求[44]。He 等[45]從《北京統(tǒng)計(jì)年鑒》和《全國(guó)人口普查》中選取了六個(gè)關(guān)鍵的社會(huì)人口特征，包括收入、車輛擁有量、教育水平、年齡、性別和家庭規(guī)模，并通過(guò)德?tīng)柗品ù_定權(quán)重，將六個(gè)特征進(jìn)行加權(quán)得到充電需求，其中人口普查數(shù)據(jù)比較老舊，且樣本量小。Luo 等[46]基于河南省私家車保有量、全國(guó)EV保有量和全國(guó)私家車保有量，采用灰色預(yù)測(cè)模型預(yù)測(cè)河南省EV保有量，以此衡量EV充電需求總量，大大削弱了EV 保有量預(yù)測(cè)的隨機(jī)性程度，提高了穩(wěn)定性。王輝等[47]通過(guò)重力空間互動(dòng)模型求得EV交通流量，并使用交通流量模擬EV充電需求，重力空間互動(dòng)模型比較直觀且解釋性強(qiáng)，但是沒(méi)有考慮用戶行為，且當(dāng)距離較小時(shí)，可能會(huì)夸大預(yù)測(cè)。

隨著EV 運(yùn)行數(shù)據(jù)的積累和可獲得性，部分學(xué)者基于軌跡數(shù)據(jù)進(jìn)行充電需求估計(jì)。不同于以統(tǒng)計(jì)數(shù)據(jù)估計(jì)的充電需求僅在地理單位上表示，基于軌跡數(shù)據(jù)的充電需求還涉及時(shí)間維度，通常表達(dá)為單位時(shí)間到達(dá)率。例如，Yang 等[48]基于一周長(zhǎng)沙電動(dòng)出租車GPS 數(shù)據(jù)，提取?？空緮?shù)，將每日平均?？空緮?shù)作為每日到達(dá)率即充電需求，但是沒(méi)有考慮SOC的影響，同時(shí)缺少對(duì)電動(dòng)出租車以外的EV 的數(shù)據(jù)挖掘和充電需求研究。羅思杰等[49]深入分析了電動(dòng)出租車的出行特征和停留偏好，根據(jù)出租車軌跡大數(shù)據(jù)挖掘出租車就餐、交接班、上洗手間等短暫非運(yùn)營(yíng)時(shí)間，并以非運(yùn)營(yíng)時(shí)間作為充電需求時(shí)間，該研究綜合考慮了用戶充電的便利性以及充電站經(jīng)濟(jì)性，但是由于假設(shè)EV在多個(gè)地點(diǎn)停車，使得需求估計(jì)準(zhǔn)確性不高。這些研究均沒(méi)有考慮用戶異質(zhì)性的影響，而周椿奇等[50]分別針對(duì)電動(dòng)私家車用戶和電動(dòng)運(yùn)營(yíng)車用戶，通過(guò)開(kāi)源數(shù)據(jù)平臺(tái)提供的EV出行軌跡數(shù)據(jù)，并根據(jù)微觀能耗模型，估計(jì)不同時(shí)間序列的EV充電需求，獲得了EV 充電需求的精確定位，缺點(diǎn)在于開(kāi)源數(shù)據(jù)和規(guī)模有限。

隨著大數(shù)據(jù)時(shí)代的到來(lái)，近兩年許多學(xué)者基于數(shù)據(jù)驅(qū)動(dòng)的方法智能估計(jì)充電需求。Zhang等[51]基于北京3個(gè)月25 489輛EV的大量運(yùn)行數(shù)據(jù)，從時(shí)間、空間和能量多維度提取EV 的行為特征，基于高斯混合模型和Kmeans 的兩步聚類模型，將用戶分為具有不同使用習(xí)慣、屬性和特征的6 種類型，進(jìn)一步建立基于出行鏈模擬的充電需求預(yù)測(cè)模型，實(shí)現(xiàn)了對(duì)實(shí)際充電需求的高精度預(yù)測(cè)，但缺少對(duì)不同地區(qū)和季節(jié)充電需求的分析。Yi等[52]基于兩個(gè)地區(qū)不同規(guī)模的真實(shí)數(shù)據(jù)，使用深度學(xué)習(xí)-序列到序列方法對(duì)每月EV 充電需求進(jìn)行了長(zhǎng)期預(yù)測(cè)，有效考慮了充電站屬性以及數(shù)據(jù)中的時(shí)間相關(guān)性，但由于需求數(shù)據(jù)按月匯總，導(dǎo)致訓(xùn)練數(shù)據(jù)減少，使得該模型較一般機(jī)器學(xué)習(xí)模型和時(shí)間序列模型優(yōu)越性不大。如果數(shù)據(jù)能具體到每個(gè)充電站的每日需求，則在海量數(shù)據(jù)支撐下，基于數(shù)據(jù)驅(qū)動(dòng)的智能估計(jì)方法將表現(xiàn)出更優(yōu)的充電需求預(yù)測(cè)精度。

綜上，統(tǒng)計(jì)數(shù)據(jù)獲取相對(duì)容易，但這些數(shù)據(jù)大多以年為周期，缺乏時(shí)效性，且不區(qū)分EV 類型，忽略了EV特點(diǎn)。軌跡數(shù)據(jù)通常使用調(diào)查數(shù)據(jù)或GPS數(shù)據(jù)，更能真實(shí)反映用戶真實(shí)出行情況，提高預(yù)測(cè)效果，但是許多研究使用燃油汽車的軌跡數(shù)據(jù)代替EV 軌跡數(shù)據(jù)，不能真實(shí)反映充電需求?；跀?shù)據(jù)驅(qū)動(dòng)的智能估計(jì)方法能夠?qū)崿F(xiàn)更高精度的充電需求預(yù)測(cè)，但前提是具備海量的詳細(xì)數(shù)據(jù)。

3 EV充電站選址模型與求解

3.1 基于不同需求的充電站選址模型

根據(jù)不同EV 充電需求的表達(dá)方式，可將充電站選址模型分為兩類基于點(diǎn)需求的選址模型、基于起訖點(diǎn)（origin-destination，OD）對(duì)流量需求的選址模型和基于軌跡的選址模型。

3.1.1 基于點(diǎn)需求的選址模型

基于點(diǎn)需求的選址模型假設(shè)需求發(fā)生在固定節(jié)點(diǎn)上（如住宅、辦公場(chǎng)所等），目前主要分為3種基本模型：P-中值模型（P-median），P-中心模型（P-center）和覆蓋模型（covering location model），如表3所示。

表3 基于點(diǎn)需求的選址模型Table 3 Location models of EV charging station based on point demand

P-中值模型由Hakimi[53]首次提出，即研究如何在給定候選位置下為P個(gè)充電站進(jìn)行選址決策，使得充電站與需求點(diǎn)之間的距離和需求量乘積最小。不同于傳統(tǒng)P-中值模型，孫秉珍等[54]考慮了充電需求不確定性的影響，構(gòu)建"預(yù)選址-增建選址"兩階段多目標(biāo)區(qū)間P-中值模型，得到的充電站選址最優(yōu)方案降低了充電中斷后的各項(xiàng)運(yùn)營(yíng)成本，但是該模型相對(duì)簡(jiǎn)單，對(duì)影響需求的其他影響因素考慮較少。P-中值模型優(yōu)點(diǎn)是選址通常發(fā)生在住宅或辦公場(chǎng)所，比較符合用戶消費(fèi)意愿[8]，但是充電需求不僅發(fā)生在住宅和辦公場(chǎng)所，還可能發(fā)生在路上；該方法適用于城市環(huán)境的選址問(wèn)題。

經(jīng)典P-中值模型表示如下：

式中，i和j分別為需求點(diǎn)和充電站候選點(diǎn)的集合；hi為第i個(gè)需求點(diǎn)的需求量；dij為第i個(gè)需求點(diǎn)到第j個(gè)充電站之間的距離；yij=1 表示充電站j能滿足i點(diǎn)的需求，否則為0；xj=1 表示在第j點(diǎn)建立充電站，否則為0；P為建立充電站的數(shù)量。

P-中心模型旨在最小化充電站與需求點(diǎn)之間的最大距離[53]。賈龍等[55]考慮不同充電站間的相互影響，提出了改進(jìn)的P-中心模型，令所有充電站與需求點(diǎn)之間距離與充電需求大小的乘積之和最小，有效滿足城市不同類型EV的充電需求，但是沒(méi)有考慮EV行駛路徑、充電偏好和道路擁堵等因素的影響。P-中心模型優(yōu)點(diǎn)是易于實(shí)現(xiàn)，但是優(yōu)化目標(biāo)單一；該方法適用于需要緊急服務(wù)的設(shè)施選址問(wèn)題[56]。

覆蓋模型又可以分為集覆蓋模型（set covering）和最大覆蓋模型（maximum covering）兩類。集覆蓋模型旨在覆蓋所有需求點(diǎn)時(shí)使得充電站建設(shè)成本和充電站數(shù)量最小。Wang 等[57]基于集合覆蓋和車輛加油思想，使用混合整數(shù)規(guī)劃方法確定充電站選址，以滿足城內(nèi)和城市間的最大充電需求，同時(shí)最大限度地降低成本。集合覆蓋模型的局限性在于對(duì)所有需求點(diǎn)賦予同等權(quán)重，并且忽略了資源的有限性。于是Church 等[58]提出最大覆蓋模型，在有限充電站數(shù)量和服務(wù)半徑基礎(chǔ)上盡可能覆蓋較多的需求點(diǎn)。Hamed 等[59]基于最大覆蓋模型研究了不同充電場(chǎng)景下的選址問(wèn)題，創(chuàng)新性引入隨機(jī)參數(shù)方法估計(jì)白天和黑夜的預(yù)期充電功率需求，然而所采用的用戶出行模式、汽車保有量等數(shù)據(jù)不是真實(shí)數(shù)據(jù)而是估計(jì)得來(lái)，容易受到其他因素如地區(qū)就業(yè)水平的影響，進(jìn)而影響充電站數(shù)量和選址。

經(jīng)典最大覆蓋模型表示如下：

式中，i和j分別為需求點(diǎn)和充電站候選點(diǎn)的集合；hi為第i個(gè)需求點(diǎn)的需求量；λi=1 表示i點(diǎn)的需求能被充電站在R距離內(nèi)覆蓋，否則為0；xj=1 表示在第j點(diǎn)建立充電站，否則為0；P為建立充電站的數(shù)量。

綜上，基于點(diǎn)需求的選址模型主要適用于城市充電站的選址規(guī)劃。優(yōu)點(diǎn)在于模型比較簡(jiǎn)單，僅需有限的數(shù)據(jù)，是早期研究中常用的經(jīng)典方法。但是該方法通常假設(shè)用戶不會(huì)距離固定的充電站位置太遠(yuǎn)[60]，無(wú)法解決長(zhǎng)途出行時(shí)EV有限行駛里程下的選址問(wèn)題。

3.1.2 基于OD對(duì)流量需求的選址模型

基于OD 對(duì)流量需求的選址模相比于基于點(diǎn)需求的選址模型可能更符合現(xiàn)實(shí)情況，假設(shè)用戶可能在從出發(fā)地到目的地路程中的任何一點(diǎn)充電?；贠D 對(duì)流量需求的選址模型中充電需求由OD對(duì)替代，包括起末位點(diǎn)、路徑以及線路上的交通流量，交通流量往往由沿著該OD 對(duì)出行的行程數(shù)量表示。相關(guān)選址模型總結(jié)如表4所示。

表4 基于OD對(duì)流量需求的選址模型Table 4 Location models of EV charging station based on OD pair flow demand

Hodgson[6]于1990年首次提出了著名的截流選址模型（flow-capturing location model，F(xiàn)CLM），旨在需求路徑和充電站數(shù)量給定的情況下，通過(guò)選址使得截取的需求量最大。FCLM模型認(rèn)為在OD對(duì)所在的路程中建立單個(gè)站點(diǎn)可以截取路徑的全部需求量，然而現(xiàn)實(shí)中單個(gè)充電站服務(wù)范圍是有限的，EV 可能在途中耗盡電量。對(duì)此，不同學(xué)者對(duì)FCLM模型進(jìn)行了改進(jìn)。Kuby等[61]進(jìn)一步結(jié)合汽車行駛里程約束，提出了帶有能源補(bǔ)充的選址模型（flow-refueling location model，F(xiàn)RLM）。Liu等[62]基于FRLM 模型研究了高速公路網(wǎng)上的充電站選址，考慮了充電站數(shù)量約束、用戶充電選擇行為和里程焦慮等供需因素的影響，并通過(guò)沿路段增加充電站候選位置來(lái)擴(kuò)展模型，但是該研究沒(méi)有考慮偏離路徑需求以及充電站容量的影響。實(shí)際上，用戶通常會(huì)因?yàn)樾枰潆姸x原來(lái)的路徑，因此上述模型假設(shè)用戶沿著最短路徑到達(dá)充電站存在明顯局限性。

經(jīng)典FCLM模型表示如下：

式中，fq為第q條路徑上的交通流量；λq=1 表示在第q條路徑上至少建一個(gè)充電站，否則為0；xj=1 表示在第j點(diǎn)建立充電站，否則為0；P為建立充電站的數(shù)量；NP為截取需求量的節(jié)點(diǎn)集合；N為所有節(jié)點(diǎn)的集合。

Kim等[63]不僅考慮行駛里程約束，同時(shí)還考慮繞行最短的情況，提出了偏離需求路徑的選址模型（deviationflow refueling location model，DFRLM），提高了覆蓋需求預(yù)測(cè)的準(zhǔn)確性。偏離衰減函數(shù)和最大允許偏離的選擇對(duì)最優(yōu)選址有重要影響，需要對(duì)偏離行為進(jìn)行仔細(xì)建模，但會(huì)增加問(wèn)題的復(fù)雜性和求解難度。Xu 等[64]首次開(kāi)發(fā)了考慮路徑偏離的緊湊模型，并將非線性的里程焦慮特征納入EV 充電站選址的決策中，通過(guò)外逼近法求解，計(jì)算效率不高。

另外，Wu等[65]針對(duì)充電需求的不確定性，建立了隨機(jī)截流選址模型（stochastic flow-capturing location model，SFCLM），發(fā)現(xiàn)當(dāng)充電站數(shù)量有限時(shí)，SFCLM 模型優(yōu)于確定性模型，隨著充電站數(shù)量增加，SFCLM模型和確定性模型選址方案愈相似；但該研究沒(méi)有考慮不同區(qū)域EV具有不同滲透率，而是直接給定滲透率。

綜上，由于充電需求發(fā)生在EV 行駛途中，基于OD對(duì)流量需求的選址模型適合快速充電站的選址規(guī)劃。優(yōu)點(diǎn)在于更細(xì)致地考慮了用戶出行特征，但是所需數(shù)據(jù)獲取較難，且很少考慮充電站的容量限制。

3.1.3 基于軌跡的選址模型

EV 尤其電動(dòng)出租車在長(zhǎng)時(shí)間、長(zhǎng)距離行駛過(guò)程中可能需要進(jìn)行多次充電，而在行駛途中建立多個(gè)充電站顯然不符合實(shí)際。對(duì)此一些學(xué)者提出了基于軌跡的選址模型，即根據(jù)含有多個(gè)OD對(duì)的行程鏈而不僅是單個(gè)OD行程進(jìn)行充電站選址。相關(guān)研究總結(jié)如表5所示。

表5 基于軌跡的選址模型Table 5 Location models of EV charging station based on EV trajectory

Jung等[66]建立了隨機(jī)動(dòng)態(tài)行程攔截選址模型，考慮了傳統(tǒng)選址模型欠缺的一些特征，如排隊(duì)時(shí)延、每輛電動(dòng)出租車均根據(jù)隨機(jī)動(dòng)態(tài)行程運(yùn)行，且在每段行程結(jié)束后才產(chǎn)生充電需求。但是該模型結(jié)果缺乏空間公平，即出租車較多考慮在充電站附近的客戶。與Jung 等[66]基于交通規(guī)劃軟件合成隨機(jī)需求數(shù)據(jù)不同，Tu等[67]從現(xiàn)實(shí)中大量的GPS 數(shù)據(jù)中提取汽車軌跡和乘客需求的實(shí)際信息來(lái)構(gòu)建時(shí)空需求覆蓋選址模型，基于用戶角度，最大化EV 總行駛距離和減少充電等待時(shí)間；該研究突破了以往大部分研究?jī)H考慮空間問(wèn)題的局限性，但是僅適用于電動(dòng)出租車，且忽略了乘車需求的可變性，即客戶可能轉(zhuǎn)向地鐵或公交服務(wù)。

經(jīng)典隨機(jī)動(dòng)態(tài)行程攔截選址模型將問(wèn)題定義為雙層規(guī)劃問(wèn)題，模型表示如下：

上層：

式中，Ci( )S為最接近節(jié)點(diǎn)i的節(jié)點(diǎn)集合；λi為單位時(shí)間需求產(chǎn)生率，由下層問(wèn)題求得；u為服務(wù)率；dij為i節(jié)點(diǎn)到j(luò)節(jié)點(diǎn)的行駛成本；Wki為在有k個(gè)充電站的節(jié)點(diǎn)上花費(fèi)的期望時(shí)間；S為候選點(diǎn)集合；ki=1 表示在第i點(diǎn)建立充電站；P為建立充電站的數(shù)量；Dq,i為排隊(duì)時(shí)延。

Keawthong 等[68]基于曼谷出租車的GPS 軌跡數(shù)據(jù)，同時(shí)考慮了排隊(duì)時(shí)延和出行時(shí)間的影響，提出一種確定充電器數(shù)量和選址的分析工作流程；并通過(guò)真實(shí)反映曼谷交通情況的谷歌地圖距離矩陣API數(shù)據(jù)進(jìn)行驗(yàn)證，發(fā)現(xiàn)該方法能夠有效減少出租車到充電站的出行時(shí)間和排隊(duì)等待時(shí)間，但是數(shù)據(jù)成本和計(jì)算成本較高。

綜上，基于軌跡的選址模型同樣適用于城市中快速充電站的選址規(guī)劃。優(yōu)點(diǎn)在于能夠綜合考慮EV軌跡信息和乘客需求信息，對(duì)充電需求時(shí)空分布進(jìn)行深入分析，得到更加符合現(xiàn)實(shí)的選址方案。KO 等[69]指出如果具備詳細(xì)的車輛活動(dòng)時(shí)空數(shù)據(jù)，則基于軌跡的選址模型比其他模型更具有潛力。但是該方法主要面向電動(dòng)出租車，且海量數(shù)據(jù)較難獲得。

3.2 充電站選址模型求解方法

針對(duì)上述充電站選址模型，根據(jù)求解方法，可以分為精確算法、啟發(fā)式算法和深度學(xué)習(xí)算法。

3.2.1 精確算法

用于解決充電站選址問(wèn)題的精確算法主要包括分支定界算法、分支切割算法、Bender 分解等。相關(guān)方法總結(jié)如表6所示。

表6 精確算法Table 6 Exact algorithms

分支定界算法是求解選址問(wèn)題的經(jīng)典方法[70]。該方法關(guān)鍵是確定目標(biāo)上界和下界，通過(guò)在搜索過(guò)程中剪掉相關(guān)分支，從而提高搜索效率，適用于求解成本最小等單目標(biāo)優(yōu)化問(wèn)題。Bao等[71]發(fā)現(xiàn)當(dāng)EV行駛里程相對(duì)較低時(shí)，分支定界算法可以快速獲得全局最優(yōu)，但是如果增加行駛里程，則計(jì)算時(shí)間會(huì)大幅增加。孫智勇等[72]結(jié)合降階子算法設(shè)計(jì)分支定界算法，縮小了問(wèn)題的規(guī)模，進(jìn)而加快求解基于最小開(kāi)設(shè)費(fèi)用的充電站選址問(wèn)題。

分支切割算法在分支定界算法的基礎(chǔ)上，加入割平面來(lái)收緊線性松弛。Yildiz等[73]采用分支切割算法求解了同時(shí)考慮隨機(jī)充電需求、充電站容量限制和駕駛員的路線偏好的充電站選址問(wèn)題，指出分支切割算法能夠有效處理具有大量場(chǎng)景和充電需求的大型問(wèn)題實(shí)例，但是按照充電次數(shù)對(duì)充電需求分組時(shí)會(huì)顯著增加需求，嚴(yán)重影響計(jì)算效率。

Benders分解算法主要通過(guò)將復(fù)雜規(guī)劃問(wèn)題分解為非線性和線性子問(wèn)題來(lái)求解，適用于包含復(fù)雜特征如多種類型EV、偏離路徑的充電站選址問(wèn)題。Kadri等[74]基于Benders分解算法對(duì)需求不確定下快速充電站選址的多階段隨機(jī)問(wèn)題進(jìn)行求解，指出Benders 分解算法的性能明顯優(yōu)于獨(dú)立的數(shù)學(xué)規(guī)劃求解器，但是難以解決考慮充電站容量約束和擁堵的選址問(wèn)題。

盡管精確算法能夠求得全局最優(yōu)解，Kizhakkan等[75]指出精確算法需要對(duì)輸入數(shù)據(jù)進(jìn)行預(yù)處理，以得到最短路徑、可行組、OD 對(duì)等，需要耗費(fèi)大量時(shí)間。因此許多學(xué)者傾向于采用啟發(fā)式算法，雖然求解結(jié)果通常為局部最優(yōu)解，但是求解速度較快。

3.2.2 啟發(fā)式算法

現(xiàn)有文獻(xiàn)主要通過(guò)遺傳算法、粒子群優(yōu)化算法、免疫算法、貪婪算法、禁忌搜索和模擬退火等啟發(fā)式算法對(duì)充電站選址模型進(jìn)行求解。相關(guān)方法總結(jié)如表7所示。

表7 啟發(fā)式算法Table 7 Heuristic algorithms

遺傳算法通過(guò)模擬自然進(jìn)化過(guò)程來(lái)搜索最優(yōu)解，在解決選址問(wèn)題中得到廣泛應(yīng)用。Zhou 等[76]運(yùn)用遺傳算法求解了基于社會(huì)總成本的充電站選址模型，其中總成本包括建筑成本、運(yùn)營(yíng)成本、環(huán)境成本等；指出由于遺傳算法基于概率規(guī)則而不是確定性規(guī)則，搜索比較靈活，減小了參數(shù)對(duì)其搜索效果的影響，但是該算法效率通常較低，并且可能會(huì)出現(xiàn)過(guò)早收斂的問(wèn)題。Zhang 等[77]提出一種改進(jìn)的遺傳算法，利用適應(yīng)度值、記憶和轉(zhuǎn)移優(yōu)秀基因改變交叉率，避免過(guò)早收斂問(wèn)題。與以往優(yōu)化單一目標(biāo)的遺傳算法不同，Zhang 等[78]提出了一種混合非支配排序遺傳算法，以解決充電站選址和用戶分配的多目標(biāo)雙層規(guī)劃問(wèn)題，缺點(diǎn)在于假設(shè)用戶偏好一致，因?yàn)槎鄻有云每赡軐?dǎo)致算法計(jì)算效率下降?？傊?，遺傳算法收斂速度相對(duì)較慢，但是能夠通過(guò)交叉變異或融合其他算法進(jìn)行改進(jìn)，很好地解決EV充電站選址規(guī)劃問(wèn)題。粒子群優(yōu)化算法是另一種常用于充電站選址問(wèn)題的群體智能優(yōu)化算法。汪和平等[79]通過(guò)改進(jìn)粒子群算法對(duì)EV 快慢充電站選址進(jìn)行優(yōu)化，其中改進(jìn)了慣性權(quán)重因子和縮放因子，引入變異概率和精英選擇策略，加快了收斂速度，并避免陷入局部最優(yōu)，但是求解速度較慢。Muthukannan等[80]將粒子群優(yōu)化算法與直接搜索法相結(jié)合，前者用來(lái)求解需求覆蓋最大化、總功率損耗和電壓偏差最小化的充電站選址優(yōu)化問(wèn)題，后者負(fù)責(zé)提高收斂性和準(zhǔn)確性?？傊Ｗ尤簝?yōu)化算法收斂速度快，但容易陷入局部搜索，現(xiàn)有關(guān)于充電站選址的研究主要通過(guò)改進(jìn)粒子群算法或?qū)⑵渑c其他算法融合，應(yīng)用于多目標(biāo)優(yōu)化問(wèn)題。

在其他算法方面，Zhang 等[81]將單點(diǎn)交叉兩點(diǎn)交叉相結(jié)合，并利用可變交叉率和突變率改進(jìn)免疫算法，優(yōu)化換電站選址問(wèn)題，展現(xiàn)出更高的全局搜索能力和計(jì)算效率。免疫算法適用于多目標(biāo)優(yōu)化問(wèn)題，孫秉珍等[54]驗(yàn)證了免疫算法在求解多目標(biāo)充電站選址問(wèn)題時(shí)具有比傳統(tǒng)遺傳算法更高的優(yōu)越性。Sun等[82]將考慮用戶滿意度的充電站選址問(wèn)題視為單調(diào)子模最大化問(wèn)題，用近似比證明了貪婪算法在求解大規(guī)模問(wèn)題的適應(yīng)性。何瑞輝等[83]通過(guò)禁忌搜索算法求解EV隨機(jī)行駛范圍下的充電站選址問(wèn)題，在短時(shí)間內(nèi)能夠獲得高質(zhì)量的解。禁忌搜索算法收斂速度快，通過(guò)引入禁忌列表可以避免陷入局部?jī)?yōu)化[62]。肖白等[84]將模擬退火算法與迪克斯特拉算法結(jié)合，能夠有效地解決多約束條件下復(fù)雜非線性和強(qiáng)耦合性的充電站選址定容雙層規(guī)劃問(wèn)題，有較強(qiáng)的全局尋優(yōu)能力。

綜上，啟發(fā)式算法不需要預(yù)先生成組合，能夠在合適時(shí)間內(nèi)解決復(fù)雜的選址問(wèn)題。上述啟發(fā)式算法在收斂速度、全局搜索能力方面各有不同，通過(guò)混合應(yīng)用，能夠取長(zhǎng)補(bǔ)短，更好地解決EV充電站選址問(wèn)題。

3.2.3 深度學(xué)習(xí)算法

隨著人工智能的發(fā)展，深度學(xué)習(xí)算法被逐漸應(yīng)用于EV充電站選址。深度學(xué)習(xí)最早是由Hinton等[85]對(duì)人工神經(jīng)網(wǎng)絡(luò)的研究中提出的。常用于解決選址問(wèn)題的深度學(xué)習(xí)算法包括循環(huán)神經(jīng)網(wǎng)絡(luò)、生成對(duì)抗網(wǎng)絡(luò)、深度強(qiáng)化學(xué)習(xí)等經(jīng)典算法。相關(guān)方法總結(jié)如表8所示。

表8 深度學(xué)習(xí)算法Table 8 Deep learning algorithms

循環(huán)神經(jīng)網(wǎng)絡(luò)呈樹(shù)狀結(jié)構(gòu)，各網(wǎng)絡(luò)節(jié)點(diǎn)根據(jù)相應(yīng)的輸入信息依次遞歸。循環(huán)神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的學(xué)習(xí)能力，對(duì)數(shù)據(jù)的容忍度極強(qiáng)，能夠接受不連續(xù)的信息，同時(shí)在處理時(shí)間序列數(shù)據(jù)方面具有很強(qiáng)的優(yōu)勢(shì)，但是該算法結(jié)構(gòu)相對(duì)簡(jiǎn)單，在面對(duì)更復(fù)雜的數(shù)據(jù)時(shí)容易陷入局部最優(yōu)解，難以用單一的循環(huán)神經(jīng)網(wǎng)絡(luò)算法對(duì)復(fù)雜的充電站選址問(wèn)題進(jìn)行研究。因此，Su[86]提出了一種集成螢火蟲(chóng)算法的循環(huán)神經(jīng)網(wǎng)絡(luò)算法，提高了全局優(yōu)化能力，實(shí)現(xiàn)有效的充電站選址和定容目的。

生成對(duì)抗網(wǎng)絡(luò)算法通過(guò)對(duì)抗訓(xùn)練過(guò)程構(gòu)建生成模型。為了降低數(shù)據(jù)采集難度和模型構(gòu)建所需的工作量，Wang 等[87]提出了條件生成對(duì)抗網(wǎng)絡(luò)算法，該算法能夠提取隱含信息，自動(dòng)學(xué)習(xí)現(xiàn)有EV 充電站建設(shè)方案中的規(guī)則，并制定一個(gè)網(wǎng)絡(luò)模型，該模型可以根據(jù)輸入圖像輸出充電站建設(shè)位置。但是生成對(duì)抗網(wǎng)絡(luò)算法存在納什均衡有時(shí)得不到、訓(xùn)練不穩(wěn)定和模型崩潰的問(wèn)題。

深度強(qiáng)化學(xué)習(xí)算法融合了深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)，提高了決策能力。Zhang 等[88]將EV 充電站規(guī)劃問(wèn)題轉(zhuǎn)化為馬爾科夫決策過(guò)程，再利用深度強(qiáng)化學(xué)習(xí)算法解決該問(wèn)題，實(shí)現(xiàn)了最小化EV總充電時(shí)間，并最大限度地縮短OD距離。深度強(qiáng)化學(xué)習(xí)算法具有較強(qiáng)的自適應(yīng)能力和自我調(diào)節(jié)能力，能夠在環(huán)境的反饋中自動(dòng)尋找最優(yōu)策略，彌補(bǔ)了傳統(tǒng)啟發(fā)式算法復(fù)雜度高、泛化性差等不足，更適用于大規(guī)模地理空間數(shù)據(jù)背景下的充電站選址問(wèn)題[89]。但是該算法要求樣本量大，訓(xùn)練時(shí)間長(zhǎng)，并且收斂性很容易受到參數(shù)影響。

其他深度學(xué)習(xí)算法，如卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)等算法主要用于預(yù)測(cè)充電站需求而不是解決充電站選址問(wèn)題[90-91]。

綜上，深度學(xué)習(xí)算法具有更出色的泛化和學(xué)習(xí)能力，能夠有效解決現(xiàn)實(shí)中復(fù)雜的充電站選址問(wèn)題，但是所需數(shù)據(jù)規(guī)模大，訓(xùn)練時(shí)間長(zhǎng)，而且模型不穩(wěn)定。

4 總結(jié)與展望

經(jīng)過(guò)幾十年發(fā)展，現(xiàn)有關(guān)于EV 充電站選址的研究取得了很大進(jìn)展。本文通過(guò)對(duì)這些研究進(jìn)行梳理和歸納，分別對(duì)EV充電站選址基本原則和影響因素、充電需求估計(jì)方法、充電站選址模型和求解方法進(jìn)行了系統(tǒng)介紹。發(fā)現(xiàn)這些研究在充電需求刻畫(huà)、模型構(gòu)建方面仍存在一些不足。最后，結(jié)合理論與實(shí)際情況，指出了EV充電站選址的未來(lái)研究方向。

4.1 現(xiàn)有研究不足

（1）對(duì)充電需求刻畫(huà)不充分

影響因素方面，現(xiàn)有充電站選址模型大多忽略了EV充電技術(shù)、信息共享的影響。隨著充電技術(shù)的進(jìn)步，EV的續(xù)航里程隨之?dāng)U大，充電需求也發(fā)生變化，當(dāng)前最優(yōu)選址在未來(lái)可能不是最優(yōu)的，因此有必要考慮技術(shù)的影響。信息共享如告知充電等待時(shí)間和充電速度等對(duì)EV用戶充電需求產(chǎn)生重要影響，用戶可能會(huì)規(guī)避排隊(duì)，這取決于共享信息的頻率和精度，然而目前少有研究考慮信息共享這一因素。

充電需求估計(jì)方面，真實(shí)的充電需求涉及空間和時(shí)間維度，需要考慮隨機(jī)性和可變性，尤其在時(shí)間維度上需要從穩(wěn)態(tài)均衡建模轉(zhuǎn)變?yōu)榧{入靈活的到達(dá)和服務(wù)過(guò)程。但既往研究通常將時(shí)間維度上的充電需求刻畫(huà)為每小時(shí)到達(dá)率，對(duì)充電站單日時(shí)刻上EV等待充電、離開(kāi)等行為刻畫(huà)不充分。另外，既往研究通常將不同地區(qū)的全天充電功率需求刻畫(huà)為固定參數(shù)，很少考慮白天和夜間充電功率需求的顯著差異，對(duì)充電需求的無(wú)偏估計(jì)結(jié)果產(chǎn)生影響。

數(shù)據(jù)獲取方面，由于EV行業(yè)正處在發(fā)展階段，能夠獲得的真實(shí)駕駛數(shù)據(jù)較少，一些研究采用的燃油汽車數(shù)據(jù)不能準(zhǔn)確刻畫(huà)用戶出行特征與充電需求的關(guān)系，尚需進(jìn)一步挖掘EV軌跡數(shù)據(jù)并深入分析EV充電需求的時(shí)空分布。

（2）對(duì)充電站選址模型的目標(biāo)考慮不全面

目標(biāo)函數(shù)方面，在現(xiàn)有充電站選址模型中，大多數(shù)模型的最終目標(biāo)旨在確定充電站的位置。然而充電站選址規(guī)劃除了確定最優(yōu)位置，還需要考慮服務(wù)類型、容量選擇等問(wèn)題。而且由于厘清EV充電需求是進(jìn)行充電站選址的關(guān)鍵，目前充電站選址模型主要從用戶視角出發(fā)。面對(duì)當(dāng)前EV充電站利用率低、盈利難等問(wèn)題，需要綜合考慮用戶和運(yùn)營(yíng)方利益，權(quán)衡覆蓋范圍、成本和服務(wù)質(zhì)量等多個(gè)目標(biāo)。

約束條件方面，現(xiàn)有研究大多考慮充電站數(shù)量約束、充電站容量、交通條件約束、服務(wù)半徑約束等，很少考慮電網(wǎng)約束。大規(guī)模EV 充電可能會(huì)導(dǎo)致功率損耗、電壓驟降等電網(wǎng)問(wèn)題，因此有必要考慮電網(wǎng)約束。但是現(xiàn)有研究很少考慮電網(wǎng)約束，尤其鮮有同時(shí)考慮電網(wǎng)和交通約束[92]。

4.2 未來(lái)展望

當(dāng)前，EV 充電站在不同經(jīng)濟(jì)發(fā)展水平的地區(qū)分布存在差異，導(dǎo)致空間不公平（spatial inequity）問(wèn)題，影響EV 在不同收入群體間的普及率。如何量化EV 充電站布局的差異性和不公平性，分析其影響因素，在不同城市合理選擇充電站的位置和密度，實(shí)現(xiàn)有針對(duì)性的基礎(chǔ)設(shè)施投資，是未來(lái)研究的重要方向之一。

隨著信息技術(shù)的發(fā)展，EV 尋樁、充電更加智能化。EV充電站選址的未來(lái)研究有必要考慮智能交通系統(tǒng)和智能電網(wǎng)協(xié)同、車輛到電網(wǎng)技術(shù)（vehicle to grid）、可再生能源技術(shù)等。此外，相比于短期內(nèi)建設(shè)充電站，考慮用戶偏好、等待時(shí)間的多周期動(dòng)態(tài)選址可能更具現(xiàn)實(shí)意義。

現(xiàn)有研究大多采用遺傳算法、粒子群優(yōu)化算法及其混合算法等求解選址問(wèn)題，而隨著充電站選址問(wèn)題復(fù)雜性的增加，設(shè)計(jì)更高效的求解算法成為未來(lái)關(guān)注重點(diǎn)?？梢赃M(jìn)一步考慮新型的啟發(fā)式算法、人工智能技術(shù)等。人工智能技術(shù)能夠?qū)崿F(xiàn)充電站選址模型特征的獨(dú)立選擇，并解決模型演繹能力不足的問(wèn)題，為涉及用戶、運(yùn)營(yíng)商和政府等多主體博弈的充電站選址復(fù)雜問(wèn)題提供有效解決方法。