基于GPS數(shù)據(jù)的電動(dòng)汽車充換電設(shè)施選址

閆 娜

基于GPS數(shù)據(jù)的電動(dòng)汽車充換電設(shè)施選址

閆 娜

（長(zhǎng)安大學(xué) 汽車學(xué)院，陜西 西安 710064）

中國(guó)已進(jìn)入電動(dòng)汽車快速發(fā)展階段，充換電設(shè)施的建設(shè)對(duì)電動(dòng)汽車普及有著至關(guān)重要的作用。文章根據(jù)充電時(shí)長(zhǎng)將充電分為慢速充電站、快速充電站、換電站，并研究城市區(qū)域中此三類充電站的選址問(wèn)題?；谖靼彩心硡^(qū)的社會(huì)車輛的全球定位系統(tǒng)（GPS）軌跡數(shù)據(jù)進(jìn)行算例分析，然后結(jié)合NSGA-II算法進(jìn)行求解。選取其中的六個(gè)典型解進(jìn)行方案分析，結(jié)果顯示：建設(shè)成本、用戶便利度和平均利用率三者無(wú)法同時(shí)達(dá)到最優(yōu)，若決策者偏好其中一個(gè)指標(biāo)，則其他兩個(gè)指標(biāo)有所下降；若決策者取折中方案，則三者相對(duì)于最優(yōu)值均有所下降。最后根據(jù)分析結(jié)果為充換電設(shè)施的建設(shè)提供相關(guān)建議。

電動(dòng)汽車；充換電設(shè)施選址；多目標(biāo)優(yōu)化；NSGA-II算法；GPS軌跡數(shù)據(jù)

石油汽車的不斷增長(zhǎng)導(dǎo)致了世界范圍內(nèi)大量的化石燃料消耗和溫室氣體排放。電動(dòng)汽車作為石油汽車的良好替代品吸引了大量的關(guān)注，然而，中國(guó)電動(dòng)汽車的普及率僅占汽車總量的0.5%[1]。公路網(wǎng)絡(luò)中缺乏充電基礎(chǔ)設(shè)施是推廣電動(dòng)汽車的主要障礙之一，因此，建立完善高效的充換電設(shè)施網(wǎng)絡(luò)是推動(dòng)發(fā)展電動(dòng)汽車的關(guān)鍵。

充電設(shè)施選址的模型之一是流捕獲位置分配模型，該模型基于路徑流量需求，輸入一組O-D對(duì)和它們之間的交通量，在網(wǎng)絡(luò)中選擇p站的位置，以最大限度地獲取流量[2-3]。在基于流量模型的基礎(chǔ)上，CHUNG等建立了電動(dòng)汽車充電站選址的多時(shí)段優(yōu)化模型，并考慮了多種服務(wù)類型對(duì)該模型進(jìn)行擴(kuò)展[4]。基于流量的模型通過(guò)獲取現(xiàn)實(shí)場(chǎng)景中的實(shí)時(shí)交通流量來(lái)表達(dá)加油需求[5]。然而，由于電動(dòng)汽車數(shù)據(jù)的缺乏和城市內(nèi)部道路網(wǎng)絡(luò)的無(wú)序流動(dòng)，導(dǎo)致無(wú)法對(duì)電動(dòng)汽車流進(jìn)行收集和估計(jì)。

電動(dòng)汽車充電站選址規(guī)劃不僅包括充電站的選址，還包括服務(wù)類型、選址方式和容量選項(xiàng)的安排[5]。此外，傳統(tǒng)模型中使用的數(shù)據(jù)難以收集，如外徑流數(shù)據(jù)，這限制了其在實(shí)際基礎(chǔ)設(shè)施規(guī)劃中的應(yīng)用[6]。傳統(tǒng)的模型大多是單一的目標(biāo)，其目標(biāo)要么是最小化總成本，要么是最大化覆蓋[7]。因此，本文基于研究空白，考慮三種不同的充電服務(wù)（快速插入式充電、電池交換和快速充電），建立了一個(gè)平衡充電站選址成本、服務(wù)質(zhì)量和充電設(shè)施利用率的多目標(biāo)模型。

NSGA-II是最強(qiáng)大的多目標(biāo)元啟發(fā)式遺傳算法之一，且已被廣泛應(yīng)用于不同領(lǐng)域的多目標(biāo)優(yōu)化問(wèn)題，如公共設(shè)施選址、醫(yī)院廢物管理網(wǎng)絡(luò)設(shè)計(jì)、供應(yīng)網(wǎng)絡(luò)設(shè)計(jì)、擁擠設(shè)施選址等[8]。在上述大部分論文中，基于NSGA-II的方法在求解質(zhì)量上優(yōu)于其他方法[9]。因此，本文采用并改進(jìn)了NSGA-II算法來(lái)解決上述提出的多目標(biāo)優(yōu)化問(wèn)題。

本文主要研究充電設(shè)施選址的多目標(biāo)優(yōu)化問(wèn)題。首先描述并建立了該問(wèn)題的數(shù)學(xué)模型以及列出了相關(guān)的約束條件；其次提出了求解該模型的方法，即利用NSGA-II算法進(jìn)行求解，進(jìn)而獲得一組有效的帕累托解；最后，利用西安市某區(qū)車輛的全球定位系統(tǒng)（Global Positioning System, GPS）數(shù)據(jù)進(jìn)行實(shí)例分析。

1 問(wèn)題描述

在現(xiàn)實(shí)城市交通網(wǎng)絡(luò)條件下，充電設(shè)施的選址需要確定位置、容量和類型，在滿足所有區(qū)域潛在充電需求的同時(shí)，達(dá)到最低建設(shè)成本、最高用戶便利度和最高平均利用率的預(yù)期目標(biāo)。

本文將城市區(qū)域劃分為若干個(gè)網(wǎng)格，網(wǎng)格的面積即為估計(jì)潛在充電需求的最小面積。為了保證所有需求點(diǎn)都能被覆蓋，每個(gè)網(wǎng)格都有可能作為充換電設(shè)施的候選位置，網(wǎng)格中的充電需求點(diǎn)也應(yīng)就近分配。由于用戶便利度是目標(biāo)之一，因此，需要考慮網(wǎng)格中車輛的充電需求。由于電動(dòng)汽車的充電效率較低，無(wú)法通過(guò)電動(dòng)汽車的真實(shí)數(shù)據(jù)來(lái)估算充電需求。但是總的交通流量由城市布局確定，是城市道路網(wǎng)絡(luò)的固有屬性，因此，本文假設(shè)電動(dòng)汽車普及率對(duì)交通流分布的影響較小，那么目前燃油車輛較多的地區(qū)未來(lái)會(huì)有更多的電動(dòng)汽車[10]。

根據(jù)上述陳述和假設(shè)，估計(jì)每個(gè)網(wǎng)格的潛在充電需求如下：每個(gè)網(wǎng)格中的車輛數(shù)（n）是通過(guò)平均車輛行駛速度（v）得出的，而平均車輛行駛速度（v）是由行駛車輛的GPS軌跡數(shù)據(jù)獲得的。然后，根據(jù)電動(dòng)汽車普及率（）、充電概率（）和估計(jì)的每個(gè)網(wǎng)格內(nèi)的車輛數(shù)乘積來(lái)估計(jì)網(wǎng)格中的充電需求[11]。電動(dòng)汽車普及率表示電動(dòng)汽車在汽車總量中所占的比例，充電率表示行駛的電動(dòng)汽車產(chǎn)生充電需求的概率?；谝陨?，網(wǎng)格的充電需求如式（1）所示。

d=αβn=αβρμg(v) （1）

式中，ρ為網(wǎng)格內(nèi)道路密度，km/km2；μ為網(wǎng)格的面積，km2；ρ和μ的乘積為網(wǎng)格中路徑的長(zhǎng)度。基于平均速度v，利用多區(qū)域速度-密度方程(v)（車輛/km）估計(jì)網(wǎng)格的流量密度。

一個(gè)電站提供的服務(wù)類型（）有三種：慢速充電站、快速充電站、換電站。假設(shè)網(wǎng)格中的電站有幾個(gè)容量選項(xiàng)，=1,…,。容量單位（）為電站容量的最低水平，指的是一個(gè)充電機(jī)每天可服務(wù)的電動(dòng)汽車的最低數(shù)量。如果電站的充電機(jī)數(shù)為，則該電站每天可以為個(gè)電動(dòng)汽車提供服務(wù)。網(wǎng)格中電站的最大容量（H）隨網(wǎng)格位置的不同而變化。

2 模型建立

2.1 目標(biāo)函數(shù)

第一個(gè)目標(biāo)是最低建設(shè)成本，該目標(biāo)既是選址問(wèn)題中最常見(jiàn)的目標(biāo)，也是投資方最看重的問(wèn)題之一。建設(shè)成本函數(shù)包括不同服務(wù)類型下的建筑成本和設(shè)備成本。令c為網(wǎng)格中新建一個(gè)型充電站的成本，即在網(wǎng)格中新建型充電站的建設(shè)成本與設(shè)備成本之和。根據(jù)DU等的研究，建造一個(gè)容量的新電站的成本是hc[12]。指數(shù)(0<<1)表示成本增加的概率，隨著容量的增加而增加。由于建站的規(guī)模經(jīng)濟(jì)，其數(shù)值小于1。第一個(gè)目標(biāo)是最低建設(shè)成本，如式（2）所示。

第二個(gè)目標(biāo)是最高用戶便利度，本文引入電力可達(dá)性（EA）的概念來(lái)衡量用戶便利度，電力可達(dá)性通過(guò)電動(dòng)汽車完成充電所花費(fèi)的平均時(shí)間來(lái)衡量[13]。在本文中，電力可達(dá)性包括兩個(gè)部分，分別是司機(jī)到達(dá)最近可用充電站的行駛時(shí)間和在充電站的充電時(shí)間。設(shè)t表示電動(dòng)汽車從網(wǎng)格到網(wǎng)格的行駛時(shí)間，t表示型充電站的充電時(shí)間。第二個(gè)目標(biāo)是最高用戶便利度，即平均電力可達(dá)性最小，如式（3）所示。

第三個(gè)目標(biāo)是最高平均利用率。由于充電站有工作繁忙的時(shí)候，也有清閑到無(wú)車問(wèn)津的時(shí)候，本文將這兩種狀態(tài)稱為非空置期和空置期，如在白天時(shí)間段，快速充電站和換電站使用頻繁，而在夜晚特別是深夜的時(shí)候，慢速充電站的使用較頻繁。設(shè)為用戶到達(dá)率，則每小時(shí)到達(dá)網(wǎng)格中型電站的車輛數(shù)如式（4）所示。

式中，E為型電站非空置期服務(wù)的車輛數(shù)占全天服務(wù)數(shù)的比例，s（小時(shí)）為型電站非空置期的時(shí)間。設(shè)預(yù)估待建充換電設(shè)施的數(shù)量為，第三個(gè)目標(biāo)是最高平均利用率，如式（5）所示。

2.2 約束條件

1）變量約束：

需求網(wǎng)格的用戶一次只能到一個(gè)充電站充電：

=1,2,…,；=1,2,…,（6）

同一時(shí)間段需求網(wǎng)格中的電動(dòng)汽車到候選網(wǎng)格中型電站充電的車輛數(shù)不能超過(guò)電站中的充電機(jī)數(shù)：

=1,2,…,；=1,2,…,；=1,…,（7）

0～1變量：

2）充電設(shè)施不等式約束：

充電站服務(wù)的車輛數(shù)不能超過(guò)充電站的容量：

任何充電站只能有一種類型和固定的充電機(jī)數(shù)量：

安裝的充電機(jī)數(shù)不能超過(guò)要求的數(shù)量：

3 算例分析

3.1 算例描述

為了驗(yàn)證本文所提出模型的有效性，對(duì)中國(guó)西安某區(qū)域的充換電設(shè)施的選址定容問(wèn)題進(jìn)行了實(shí)例分析。在本文的算例中，西安市某區(qū)區(qū)域面積為262 km2，由66個(gè)網(wǎng)格近似表示，每個(gè)網(wǎng)格單位長(zhǎng)度為1.99 km，其中有=65個(gè)需求網(wǎng)格和候選網(wǎng)格。兩個(gè)網(wǎng)格之間的行駛時(shí)間通過(guò)平均行駛速度計(jì)算，平均行駛速度與電動(dòng)汽車普及率和充電概率相乘決定每個(gè)網(wǎng)格的充電需求，從而得到模型的輸入。將各個(gè)網(wǎng)格進(jìn)行編號(hào)，通過(guò)數(shù)據(jù)處理得出每個(gè)網(wǎng)格內(nèi)的充電需求，具體數(shù)據(jù)如表1所示。

表1 各個(gè)網(wǎng)格中的充電需求

序號(hào)充電需求序號(hào)充電需求序號(hào)充電需求序號(hào)充電需求序號(hào)充電需求序號(hào)充電需求 (1)3(12)10(23)30(34)30(45)15(56)30 (2)10(13)15(24)5(35)15(46)20(57)20 (3)5(14)20(25)10(36)20(47)10(58)10 (4)5(15)15(26)15(37)35(48)5(59)20 (5)5(16)10(27)20(38)5(49)25(60)15 (6)3(17)20(28)10(39)5(50)5(61)5 (7)5(18)3(29)15(40)25(51)20(62)5 (8)5(19)15(30)20(41)10(52)15(63)25 (9)0(20)25(31)5(42)10(53)5(64)20 (10)5(21)20(32)10(43)20(54)15(65)10 (11)10(22)25(33)35(44)25(55)10(66)15

本文假設(shè)充換電設(shè)施的容量單位為60，即充/換電站每天可服務(wù)的最低車輛數(shù)為60[13]。電動(dòng)汽車普及率設(shè)定為0.1；充電概率設(shè)定為0.5；慢速充電站充電時(shí)間設(shè)定為6 h；快速充電站充電時(shí)間設(shè)定為2 h；換電站換電時(shí)間設(shè)定為0.12 h[5]。由于與成本相關(guān)的參數(shù)是波動(dòng)的，因此，本文只使用相對(duì)值并呈現(xiàn)百分比結(jié)果。成本的增長(zhǎng)率設(shè)定為0.1；慢速充電站的成本c1設(shè)定為100%；快速充電站的成本c2為200%；換電站的成本c3為300%[13]。型電站非空置期服務(wù)的車輛數(shù)占全天服務(wù)車輛數(shù)的比例E統(tǒng)一設(shè)定為0.9；非空置期的時(shí)間s統(tǒng)一設(shè)定為20 h；預(yù)估待建的充換電設(shè)施數(shù)量為20[2]。

3.2 結(jié)果分析與討論

將算例獨(dú)立運(yùn)行并統(tǒng)計(jì)優(yōu)化結(jié)果，得到由60個(gè)帕累托前沿組成的關(guān)于充換電設(shè)施建設(shè)成本、用戶便利度、充換電設(shè)施平均利用率的帕累托前沿面（圖1），同時(shí)得到從各個(gè)方位進(jìn)行觀測(cè)的帕累托前沿面（圖2）。從圖1、圖2可以看出，當(dāng)建設(shè)成本低于280%時(shí)，用戶便利度高于1 h且充電設(shè)施平均利用率低于2，也就是說(shuō)，當(dāng)電動(dòng)汽車從需求區(qū)域行駛到最近充/換電站的時(shí)間和充換電時(shí)間總和較長(zhǎng)時(shí)，建設(shè)成本與充電設(shè)施平均利用率均較低。然而，在用戶便利度達(dá)到0.3 h的情況下，充電設(shè)施平均利用率大幅下降至1.3，而建設(shè)成本卻高于340%，這種情況的出現(xiàn)可能是由于車輛保有量一定時(shí)充換電設(shè)施設(shè)置太過(guò)密集，導(dǎo)致部分設(shè)施過(guò)剩，造成資源浪費(fèi)。

圖1 充換電設(shè)施選址定容多目標(biāo)問(wèn)題的Pareto前沿

圖2 不同方位觀測(cè)的多目標(biāo)Pareto前沿

本文的帕累托前沿個(gè)數(shù)為60個(gè)，故電動(dòng)汽車充換電設(shè)施選址定容的多目標(biāo)優(yōu)化方案有60個(gè)，從開(kāi)發(fā)商成本、用戶服務(wù)質(zhì)量及設(shè)施利用情況三方面綜合考慮，選取6個(gè)較典型的解進(jìn)行展示分析，如表2所示。

表2 6個(gè)典型結(jié)果分析表

項(xiàng)目方案1方案2方案3方案4方案5方案6 站址及相應(yīng)類型和規(guī)模（站址的網(wǎng)格編號(hào)、類型、容量）[17,1,4][15,1,3][8,1,4][9,1,3][13,2,4][5,1,5] [20,2,3][24,1,4][12,2,3][10,1,3][28,1,3][19,2,4] [33,3,2][35,2,3][19,2,3][23,2,3][33,3,3][24,3,3] [40,2,3][40,2,4][23,3,3][31,2,3][37,3,3][31,3,2] [53,1,4][51,1,4][37,1,4][36,3,2][40,2,3][47,2,3] [58,2,3][56,3,2][51,3,2][53,2,4][54,1,4][52,3,2] [65,1,4][66,1,5][58,1,5][59,3,3][59,2,3][57,2,3] 建設(shè)成本/%240265288305325340 用戶便利度/h1.501.210.700.640.660.30 充換電設(shè)施的平均利用率1.5781.7922.0222.1072.8841.324

從表2可以看出，多目標(biāo)方案3和方案4屬于折中解，即建設(shè)成本、電動(dòng)汽車用戶便利度、充換電設(shè)施的平均利用率三者均達(dá)到平衡。方案1和方案2在建設(shè)成本這一指標(biāo)上取得了令投資方滿意的結(jié)果，但是充換電設(shè)施平均利用率和電動(dòng)汽車用戶便利度這兩個(gè)指標(biāo)卻不盡人意。方案5能在充換電設(shè)施平均利用率達(dá)到最優(yōu)，但卻要犧牲建設(shè)成本和電動(dòng)汽車用戶便利度。方案6能在電動(dòng)汽車用戶便利度上取得最好的結(jié)果，但卻要以建設(shè)成本和充換電設(shè)施平均利用率為代價(jià)。由于一組帕累托解集中均是最優(yōu)解，沒(méi)有優(yōu)劣之分，決策者可以根據(jù)充換電設(shè)施的總體戰(zhàn)略（建設(shè)成本優(yōu)先，還是用戶便利度或充換電設(shè)施平均利用率優(yōu)先，即決策者的偏好），在所得的帕累托解集中選擇最后的折中解或最優(yōu)解。

綜上所述，不同的充換電設(shè)施有各自的特點(diǎn)，只有將它們安裝在適合的地點(diǎn)，才能使建設(shè)成本、用戶便利度、平均利用率三者達(dá)到平衡狀態(tài)。例如在小區(qū)地下停車場(chǎng)適合安裝慢速充電樁，利用深夜充電樁空置期的時(shí)間進(jìn)行充電，這樣既省去了排隊(duì)時(shí)間，也無(wú)需等待充電時(shí)間，同時(shí)還提高了充電樁的利用率。在商場(chǎng)或?qū)懽謽堑耐＼噲?chǎng)，由于地點(diǎn)的特殊性，來(lái)這里的車輛一般會(huì)停0.5～6 h，因此，在這些區(qū)域適合建立以快速充電站為主，換電站為輔的充電場(chǎng)所，這樣既滿足了用戶便利度，同時(shí)也兼顧了充換電設(shè)施利用率和建設(shè)成本。在道路旁如高速路上下路口建立換電站，使需要即充即走的車輛能夠及時(shí)更換電池，這樣能夠最大程度滿足用戶便利度，同時(shí)由于道路上的成千上萬(wàn)輛汽車，換電站可以長(zhǎng)期穩(wěn)定運(yùn)營(yíng)，通過(guò)對(duì)容量的調(diào)整將利用率穩(wěn)定在一定范圍內(nèi)。

4 結(jié)語(yǔ)

隨著電動(dòng)汽車技術(shù)的成熟，我國(guó)進(jìn)入了電動(dòng)汽車蓬勃發(fā)展時(shí)期，充換電設(shè)施規(guī)劃影響著充電網(wǎng)絡(luò)的形成，是影響電動(dòng)汽車迅速普及的關(guān)鍵因素。因此，充換電設(shè)施選址研究具有理論和現(xiàn)實(shí)意義，本論文主要結(jié)論如下：

1）本文主要研究了城市區(qū)域中慢速充電站、快速充電站和換電站的選址問(wèn)題。通過(guò)構(gòu)建多目標(biāo)混合整數(shù)數(shù)學(xué)模型，得到最優(yōu)的的充換電設(shè)施位置、容量以及類型方案。

2）基于西安市某區(qū)的社會(huì)車輛的GPS軌跡數(shù)據(jù)進(jìn)行算例分析。結(jié)果顯示：建設(shè)成本、用戶便利度和平均利用率三者無(wú)法同時(shí)達(dá)到最優(yōu)，若決策者偏好其中一個(gè)指標(biāo)，則其他兩個(gè)指標(biāo)有所下降；若決策者取折中方案，則三者相對(duì)于最優(yōu)值均有所下降。

本文提出的網(wǎng)格定位模型和充換電設(shè)施選址模型具有一定的理論和實(shí)際意義，但是，由于城市的交通量全天存在顯著差異，因此，文中使用的平均速度不足以預(yù)估將來(lái)電動(dòng)汽車的充電需求。今后的研究可以在設(shè)計(jì)區(qū)域模型時(shí)采用動(dòng)態(tài)視角，進(jìn)一步深入分析。

[1] 謝遠(yuǎn)德,張鄰,鄧沙麗,等.電動(dòng)汽車充換電設(shè)施優(yōu)化網(wǎng)絡(luò)布局研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2020,50(10): 170-178.

[2] 張琭璐.新能源電動(dòng)汽車充電站選址定容優(yōu)化研究[D].蘭州:蘭州理工大學(xué),2022.

[3] YONGJUN A,HWASOO Y,MA J.An Analytical Plan- ning Model to Estimate the Optimal Density of Char- ging Stations for Electric Vehicles[J].Plos One,2015, 10(11):43-56.

[4] CHUNG S H,KWON C.Multi-period Planning forElectric Car Charging Station Locations:A Case of Korean Expressways[J].European Journal of Operati- onal Research,2015,242:677-687.

[5] 劉慧,張迪.考慮服務(wù)半徑的電動(dòng)汽車充換電設(shè)施選址問(wèn)題[J].計(jì)算機(jī)集成制造系統(tǒng),2020,26(8):178-187.

[6] 王繼嫻. 基于多目標(biāo)優(yōu)化的電動(dòng)汽車充電站選址研究[D].北京:華北電力大學(xué),2021.

[7] 王忠輝,王立曉.電動(dòng)汽車充電設(shè)施布局研究綜述[J].交通科技與經(jīng)濟(jì),2022,24(4):1-7.

[8] JIANG X,FENG Y,XIONG H,et al. Electric Vehicle Charging Station Planning Based on Travel Proba- bility Matrix[J].Transactions of China Electrotechnical Society, 2019,37:287-305.

[9] HAJIPOUR V,FATTAHI P,TAVANA M,et al.Multi- objective Multi-layer Congested Facility Location- location Problem Optimization with Pareto-based Meta Heuristics[J].Applied Mathematical Modelling, 2015,7:4948-4969.

[10] BASNET M,ALI M H.Deep Learning-based Intrusion Detection System for Electric Vehicle Charging Sta- tion[C]//2020 2nd International Conference on Smart Power & Internet Energy Systems.Piscataway:IEEE, 2020,98:11-32.

[11] XU M,YANG H,WANG S.Mitigate the Range Anxiety: Siting Battery Charging Stations for Electric Vehicle Drivers[J].Transportation Research Part C Emerging Technologies,2020,114:164-188.

[12] DU F,EVANS G W.A Bi-objective Reverse Logistics Network Analysis for Post-sale Service[J].Computers & Operations Research,2008,35(8):2617-2634.

[13] BAI X,CHIN K S,ZHOU Z.A Bi-objective Model for Location Planning of Electric Vehicle Charging Stati- ons with GPS Trajectory Data[J].Computers & Indus- trial Engineering,2019,128(2):591-604.

The Location of Electric Vehicle Charging and SwitchingFacilities Based on GPS Data

YAN Na

( School of Automobile, Chang'an University, Xi'an 710064, China )

China has entered a stage of rapid development of electric vehicles, and the construction of charging and switching facilities plays a crucial role in the popularization of electric vehicles. In this paper, charging is categorized into slow charging station, fast charging station, and power exchange station according to the charging duration, and the siting problem of these three types of charging stations in urban areas is studied. Based on the global positioning system(GPS) trajectory data of social vehicles in a district of Xi'an, an arithmetic example is analyzed, and then combined with the NSGA-II algorithm to solve the problem. Six typical solutions are selected for scenario analysis, and the results show that: the construction cost, user convenience and average utilization rate cannot be optimized at the same time; if the decision maker prefers one of the indexes, the other two indexes decrease; if the decision maker takes the compromise solution, all three indexes decrease relative to the optimal value. Finally, based on the results of the analysis, relevant suggestions are provided for the construction of charging and switching facilities.

Electric vehicle;Charging and switchingstation location;Multi-objective optimization;NSGA-II algorithm;GPS trajectory data

U469.7

A

1671-7988(2023)18-168-06

閆娜（1998－），女，碩士研究生，研究方向?yàn)榻煌ㄟ\(yùn)輸，E-mail:15029091250@163.com。

10.16638/j.cnki.1671-7988.2023.018.033