考慮路徑偏差和里程焦慮下充/換電站聯(lián)合布局定容優(yōu)化

黃 柳，胡丹丹

（中南民族大學(xué) 管理學(xué)院，湖北 武漢 430074）

0 引言

電動汽車作為應(yīng)對能源危機(jī)、推動綠色發(fā)展的重要突破口之一，近幾年在我國得到了重視和推進(jìn)。在“2020年新能源汽車?yán)塾?jì)產(chǎn)銷量超過500萬輛”目標(biāo)的基礎(chǔ)上，《新能源汽車產(chǎn)業(yè)發(fā)展規(guī)劃（2021—2035年）》（以下簡稱“規(guī)劃”）提出“到2025年新能源汽車新車銷售占比要達(dá)到車輛總銷售的20%左右”的新目標(biāo)。我國堅(jiān)持純電驅(qū)動戰(zhàn)略取向，在中央研究制定的一系列新能源汽車推廣鼓勵(lì)政策扶持下，一方面新能源汽車和電動汽車的滲透率得以快速增長（如圖1所示），另一方面我國新能源汽車與公共充電樁的車樁比也不斷趨于合理（如圖2所示）。與此同時(shí)，我國電動汽車充電基礎(chǔ)設(shè)施布局不合理、充電時(shí)間長和續(xù)航里程短等問題仍然是推廣新能源汽車的瓶頸。一個(gè)有前景的解決方案是用滿電電池替換幾乎耗盡的車載電池。電池更換有以下幾方面優(yōu)勢：一是大幅度降低購車成本，節(jié)約電池購置成本；二是節(jié)約時(shí)間便捷出行，可以在幾分鐘內(nèi)完成電池更換；三是降低車輛殘值評估難度，有利于電池回收和梯次利用；四是通過適時(shí)充放電，達(dá)到耗電量的削峰填谷。因此，除了完善充電基礎(chǔ)設(shè)施體系外，規(guī)劃中最新突出了加快推動換電設(shè)施建設(shè)。

圖1 滲透率變化

圖2 車樁比變化

基于上述事實(shí)，針對電動汽車電池交換基礎(chǔ)設(shè)施的優(yōu)化部署進(jìn)行了大量研究。相關(guān)研究表明，設(shè)施投資者需要充分考慮選址規(guī)劃（即設(shè)施數(shù)量和地點(diǎn)）、設(shè)備部署（即每個(gè)設(shè)施內(nèi)備用電池和電池更換器數(shù)量）和充電策略。為確定換電站的最優(yōu)位置和規(guī)模，Zheng，等[1]采用生命周期成本指標(biāo)，建立了換電站項(xiàng)目的凈現(xiàn)值最大化模型。基于電網(wǎng)的電力損耗，Liu，等[2]建立了雙層規(guī)劃模型。與之不同的是，Mahoor，等[3]不僅考慮了用戶對電池的隨機(jī)需求，而且通過需求轉(zhuǎn)移和能量回售來降低電池的運(yùn)行成本。不同的換電站配置和運(yùn)營策略對環(huán)境的影響很少受到關(guān)注。一個(gè)綜合考慮環(huán)境影響和生命周期利潤的動態(tài)仿真模型被提出，系統(tǒng)分析了充電器、交換器、備用電池?cái)?shù)量以及不同的充電策略[4]。結(jié)合插入式充電與電池更換兩種模式，Zhang，等[5]提出了根據(jù)需求的緊急程度，引導(dǎo)電動出租車前往恰當(dāng)?shù)恼军c(diǎn)，并通過對電池充/換電的選擇，減少行程延遲。

與充電站布局優(yōu)化不同的是，庫存理論在換電站相關(guān)研究中得以廣泛應(yīng)用。目前，對聯(lián)合選址、路徑和庫存三個(gè)問題進(jìn)行供應(yīng)鏈設(shè)計(jì)研究在國內(nèi)外不斷深入。Diabat，等[6]將需求和補(bǔ)貨提前期的不確定性引入選址-庫存模型，來確定配送中心的數(shù)量和位置以及對零售商的分配。但是，該模型忽略了生產(chǎn)端的影響，于是Shahabi，等[7]給出了一個(gè)聯(lián)合生產(chǎn)-選址-庫存問題的混合整數(shù)非線性規(guī)劃，來解決由工廠、倉庫和零售商組成的三級供應(yīng)鏈中的問題。Biuki，等[8]提出了一種兩階段方法，為易腐爛產(chǎn)品供應(yīng)鏈設(shè)計(jì)提供選址、路徑和庫存控制規(guī)劃。電池交換站可視為交通能源供應(yīng)商，將用戶視為交通能源需求者。在上述供應(yīng)鏈設(shè)計(jì)中，零售商是網(wǎng)絡(luò)中的一個(gè)節(jié)點(diǎn)。然而，Sun，等[9]將電池交換需求定義為在運(yùn)輸網(wǎng)絡(luò)中沿著預(yù)先確定的路徑流動，在流量需求不確定和電價(jià)不確定下建立了兩個(gè)魯棒優(yōu)化模型以使系統(tǒng)總成本最小。由于不同類型電動汽車的電池規(guī)格難以統(tǒng)一，阻礙了電池交換站的大規(guī)模發(fā)展。一些學(xué)者[10-13]從電動汽車作為配送工具的角度，研究了電池交換站的選址和配送路徑問題。但是，確定性需求假設(shè)與現(xiàn)實(shí)情況背離。在實(shí)際問題中，用戶需求受到眾多不確定因素的影響，如電池技術(shù)的發(fā)展、交通路網(wǎng)狀況、用戶駕駛習(xí)慣、用戶心理因素、電動汽車保有量等[14]?；诖?，魯棒優(yōu)化方法被用來解決這一局限性[15-16]。而且，越來越多研究者注意到用戶滿意度和服務(wù)質(zhì)量對提高電動汽車滲透率大有助益，并與路徑規(guī)劃密切相關(guān)。Yang，等[17]提出了損失焦慮的新概念，將用戶由于基礎(chǔ)設(shè)施不足而不得不充/換電的焦慮作為模型的約束指標(biāo)。以攜帶滿電電池且可以完成對其他車輛電池更換的貨車為研究對象，Shao，等[18]通過仿真實(shí)驗(yàn)考察了其在具有服務(wù)請求優(yōu)先級和排隊(duì)現(xiàn)象系統(tǒng)中的最小等待時(shí)間。

上述研究基本上是將充電站和換電站作為兩種獨(dú)立的服務(wù)設(shè)施類型，但是在換電站中同時(shí)部署備用電池和快充電樁（即充/換電聯(lián)合站），一方面可以提高用戶對電能補(bǔ)充服務(wù)的可獲得性，另一方面降低過多備用電池購買量造成的資金緊張。而且，不同的站點(diǎn)位置設(shè)計(jì)會影響到電動汽車用戶駕駛路徑的選擇，以補(bǔ)充電量并完成O-D間的旅行?？紤]到用戶感知和電池里程的影響，所選路徑與最短路徑的距離偏差，以及該路徑上相鄰兩點(diǎn)的最大距離會進(jìn)一步降低該O-D間的出行需求。本文以充/換電聯(lián)合站為研究對象建立了雙層規(guī)劃模型，在上層模型中同時(shí)考慮繞行和里程焦慮下進(jìn)行選址-路徑優(yōu)化，目標(biāo)是最大化截得的總流量；然后，基于上層模型產(chǎn)生的各站需求優(yōu)化設(shè)計(jì)該站內(nèi)備用電池和快充樁的數(shù)量，利用具有優(yōu)先級的排隊(duì)系統(tǒng)最小化用戶在站內(nèi)的平均逗留時(shí)間。

1 問題描述

1.1 假設(shè)及符號說明

在網(wǎng)絡(luò)G(N，A)中，N為所有點(diǎn)的集合，A為所有邊的集合。本文著眼于充/換電聯(lián)合站，規(guī)定同一設(shè)施中提供電池更換和快速充電兩種服務(wù)。該種設(shè)施內(nèi)涉及到普通充電樁、快充和換電三種電能補(bǔ)給設(shè)備，其中普充和快充完成一個(gè)電池充電分別需近4h和0.5h，而電池更換只需近5min。當(dāng)電動汽車到達(dá)聯(lián)合站時(shí)，首選電池更換服務(wù)，只有在無可更換電池的情況下，退而求其次進(jìn)行快充，換下的電池由普通充電樁補(bǔ)充電量。因此，聯(lián)合站可以被視為一個(gè)優(yōu)先隊(duì)列網(wǎng)絡(luò)，它由換下電池充電排隊(duì)系統(tǒng)和快充排隊(duì)系統(tǒng)組成。首先，所有聯(lián)合站的充/換電服務(wù)效率都一樣，到達(dá)聯(lián)合站的電動汽車服從泊松分布。其次，由于換下的電池剩余電量不同，充電時(shí)間服從一般分布，因此將換下電池的充電過程視為M/G/c/c排隊(duì)系統(tǒng)，而快充過程為有排隊(duì)等待的M/M/m排隊(duì)系統(tǒng)。最后，當(dāng)且僅當(dāng)用戶可以在充電或不充電的情況下完成路程，且為充電而繞行的距離不超過用戶可容忍最大距離偏差時(shí)，這條路徑才是可行的。

為了清晰描述模型，本文對以下符號進(jìn)行定義：

集合：

Q：所有O-D對的集合，q∈Q。

Pq：O-D對q之間所有可行路徑的集合，≤+ε,?q∈Q,ρ∈Pq。

Nρ：路徑ρ上所有點(diǎn)的集合，j∈Nρ。

參數(shù)：

τ：里程焦慮閾值。

α：里程焦慮率。

ε：最大容忍距離偏差。

L：電池容量（km）。

fq：單位時(shí)間內(nèi)O-D對q之間的電動汽車流量。

h：設(shè)施建設(shè)成本。

bs：備用電池的單位成本。

bo：充電樁的單位成本。

B：總預(yù)算。

λsj：設(shè)施j的電動汽車到達(dá)率。

λoj：設(shè)施j充電系統(tǒng)的電動汽車到達(dá)率。μs：普通充電樁的平均服務(wù)率。

μo：快速充電系統(tǒng)的平均服務(wù)率。

ν：更換電池平均花費(fèi)的時(shí)間

決策變量：

yj：如果設(shè)施建在j處，則yj=1；否則為0。

cj：站點(diǎn)j處備用電池庫存量。

mj：站點(diǎn)j處充電樁數(shù)量。

基于以上參數(shù)定義，進(jìn)一步假設(shè)駕駛員對路徑距離偏差有一個(gè)預(yù)先指定的容忍度，如+ε,?q∈Q,ρ∈Pq，其中表 示O-D對q之間路徑ρ的長度，為最短路徑的長度。本文假設(shè)路徑偏差下的交通流量是一個(gè)關(guān)于偏離最短路徑距離的逆函數(shù)[19]，并將其表述為式（1），其中β為充電需求彈性程度指標(biāo)。

進(jìn)一步，為了得到具有里程焦慮的車流量衰減函數(shù)，本文在前人研究的基礎(chǔ)上引入了滿意函數(shù)的概念[20]，當(dāng)電池剩余能量小于距離焦慮閾值時(shí)，用戶的焦慮水平發(fā)生劇烈變化，因此本文將在考慮里程焦慮下選擇路徑ρ的用戶百分比表述為式（2），其中α為里程焦慮率，τ為里程焦慮閾值，ξ為正的敏感參數(shù)。因此，路徑偏差和里程焦慮綜合影響下路徑ρ上的流量計(jì)算見式（3）。

電動汽車用戶面臨充/換電需求，以及對里程焦慮和繞行距離的感知會選擇合適的路徑前往目的地?；诖?，本文根據(jù)以下步驟進(jìn)行路徑分配。第一，利用Floyd算法找到O-D對間的最短路徑；第二，篩選出分別以各站點(diǎn)為中轉(zhuǎn)點(diǎn)的最短路徑（包括從起點(diǎn)到站點(diǎn)之間的最短路徑和從站點(diǎn)到終點(diǎn)之間的最短路徑）；第三，從所有這些路徑中剔除超過最大距離偏差的路徑和相鄰節(jié)點(diǎn)間（起點(diǎn)到站點(diǎn)、站點(diǎn)到站點(diǎn)、站點(diǎn)到終點(diǎn)）的最大距離超過電池最大續(xù)航里程的路徑，得到可行路徑集；第四，計(jì)算路徑偏差和里程焦慮下的O-D對間交通流最大的可行路徑。

一旦確定了所有O-D對間的合適出行路徑，各站所截得的流量及排隊(duì)過程就可以計(jì)算處理。換下電池的內(nèi)充系統(tǒng)可以看作是一個(gè)閉環(huán)的物品修復(fù)系統(tǒng)，其中普充樁是可修復(fù)物品的設(shè)施，耗盡的電池可看作損壞的物品，充電過程是修復(fù)過程，充滿的電池是庫存待用的已修復(fù)物品?；贛/G/c/c排隊(duì)系統(tǒng)假設(shè)，在站j的到達(dá)率為λsj，給定電池庫存量為cj，服務(wù)強(qiáng)度θ，則該站電池缺貨率U(cj)的計(jì)算過程如下：

電動汽車到達(dá)聯(lián)合站后若無可換電池，則會進(jìn)入該站M/M/m快充排隊(duì)系統(tǒng)完成電量補(bǔ)給，因而該系統(tǒng)的到達(dá)率為λoj=λsjU(cj)。由于當(dāng)λoj/μo很大時(shí)易出現(xiàn)計(jì)算溢出現(xiàn)象，因此本文采用Pasternack和Drezner[21]提出的方法計(jì)算電動汽車在快充系統(tǒng)中的逗留時(shí)間。電動汽車在容量為mj的快充系統(tǒng)中的逗留時(shí)間W(mj)包括等待時(shí)間和充電時(shí)間，其計(jì)算過程如下：

因此，電動汽車隨機(jī)到達(dá)站j，其在該站的平均逗留時(shí)間為：

1.2 模型構(gòu)建

本文通過兩階段優(yōu)化框架來完成聯(lián)合站布局設(shè)計(jì)。首先將聯(lián)合站選址問題定義為一個(gè)考慮路徑偏差與里程焦慮的整數(shù)規(guī)劃問題。然后在確定站點(diǎn)下進(jìn)行最優(yōu)備用電池和快充樁分配，以最小化平均逗留時(shí)間。

據(jù)此，建立聯(lián)合站選址模型如下：

其中，目標(biāo)函數(shù)（7）表示最大化所有聯(lián)合站截得的流量；約束條件（8）確保在每個(gè)O-D對之間最多選擇一條可行路徑；約束條件（9）避免了使用非建站進(jìn)行電池充/換電；約束條件（10）限制了新建站點(diǎn)的總數(shù)；約束條件（11）整合了所有穿過站點(diǎn)j的路徑流；約束條件（12）定義決策變量是0-1變量。

已知上述模型部署的k個(gè)聯(lián)合站和用戶選擇的路徑，此時(shí)可以為這些站點(diǎn)分配備用電池和快充樁，以節(jié)約電動汽車用戶接受充/換電服務(wù)的時(shí)間。因此，相應(yīng)的定容模型如下：

其中，目標(biāo)函數(shù)（13）旨在最小化每輛電動汽車在站內(nèi)的平均逗留時(shí)間；約束條件（14）和（15）表明備用電池和快充樁只分配到開放的站點(diǎn)，其中M是一個(gè)非常大的常數(shù)；約束條件（16）為總預(yù)算限制；約束條件（17）表示各站內(nèi)電池庫存量處于上下限之間，如cmin=λoj/2，cmax=λoj；約束條件（18）對決策變量進(jìn)行了整數(shù)約束。

2 求解算法

本文的選址和定容模型都是NP-hard問題，因此采用啟發(fā)式算法求解。本節(jié)首先應(yīng)用遺傳算法求解選址優(yōu)化模型，在確定聯(lián)合站位置后，再通過貪婪算法完成備用電池和快充樁的分配。

2.1 遺傳算法求解選址優(yōu)化問題

該選址模型涉及到較多的參變量，用傳統(tǒng)算法難以在短時(shí)間內(nèi)得到最優(yōu)解，本文采用遺傳算法進(jìn)行求解，該算法在求解選址優(yōu)化問題中應(yīng)用廣泛，其求解流程如圖3所示，其中嵌入了可行路徑集生成過程，如圖4所示。

圖3 聯(lián)合站選址模型求解流程

圖4 可行路徑集生成過程

2.2 貪婪算法求解定容優(yōu)化問題

由于在本文定容模型中U(cj)和W(mj)的計(jì)算都涉及非線性方程，計(jì)算時(shí)間長，尤其采用需大量迭代的啟發(fā)式算法時(shí)會大幅度延長計(jì)算時(shí)間。另外，該定容模型具有逐次確定備用電池和快充樁數(shù)量的特點(diǎn)，加大了計(jì)算復(fù)雜度，導(dǎo)致諸如遺傳算法等啟發(fā)式算法收斂速度慢。因此，本文采用貪婪算法求解該定容優(yōu)化模型，具體步驟如下：

步驟1初始化各站備用電池量cj=cmin，令C={cj|j∈N}。

步驟2對于任意j′∈N，cj′=cj′+1，轉(zhuǎn)入步驟3。

步驟4令mj′=mj′+1，，令mj1=mj1+1，重復(fù)該步驟直至＞B。

步驟6重復(fù)步驟2-5直至剩余預(yù)算無法再滿足增加一個(gè)備用電池或所有站點(diǎn)備用電池都達(dá)到上限。

3 算例分析

為了檢驗(yàn)啟發(fā)式算法的計(jì)算效能，本節(jié)在圖5所示的假設(shè)網(wǎng)絡(luò)中求解該聯(lián)合站布局優(yōu)化問題，該網(wǎng)絡(luò)被廣泛應(yīng)用于選址優(yōu)化研究[17,19,22]。該網(wǎng)絡(luò)由25個(gè)節(jié)點(diǎn)組成，節(jié)點(diǎn)旁邊的數(shù)字表示需求量，每條邊上的數(shù)字為相鄰兩點(diǎn)間的旅行時(shí)間。所有節(jié)點(diǎn)都被作為起點(diǎn)、終點(diǎn)和聯(lián)合站的候選位置。因此，共有300個(gè)O-D對和25個(gè)候選位置。利用Floyd算法求解各O-D間的最短路徑，然后基于重力模型[22]估計(jì)各OD對的交通流量。本文使用Matlab R2018a進(jìn)行編碼，在Intel(R)Core(TM)i5-1035G1 CPU@1.00GHz，內(nèi)存為16G的計(jì)算機(jī)上進(jìn)行算例試驗(yàn)。

圖5 交通網(wǎng)絡(luò)

3.1 求解結(jié)果分析

遺傳算法和模型的參數(shù)設(shè)置分別見表1和表2。表3顯示了在25個(gè)節(jié)點(diǎn)的網(wǎng)絡(luò)中遺傳算法的結(jié)果，每一行對應(yīng)特定新建站數(shù)在不同最大容忍距離偏差下的結(jié)果，將其與枚舉法所得結(jié)果進(jìn)行比較。由于枚舉法計(jì)算時(shí)間很長，本文將其計(jì)算時(shí)間限定在2h內(nèi)，因此，枚舉法的求解結(jié)果不一定是最優(yōu)解。誤差是通過計(jì)算而來，其中Ze為枚舉法所得目標(biāo)函數(shù)值，Z1為遺傳算法所得目標(biāo)函數(shù)值。假定各站備用電池?cái)?shù)量不得低于該站電動汽車到達(dá)率的50%且不超過100個(gè)。遺傳算法取20次計(jì)算結(jié)果的最小值和平均值。由平均誤差和最大誤差可知，遺傳算法不僅穩(wěn)定，而且可以在較短時(shí)間內(nèi)獲得最優(yōu)解。在最大距離偏差分別為0,3,5的情境下，聯(lián)合站數(shù)量對各站截得的總交通流的影響如圖6所示。顯然，期初目標(biāo)函數(shù)值Z1隨k增加近乎呈線性增長，但隨著k值進(jìn)一步增加，增長曲線變緩。

圖6 新建站數(shù)對Z1的影響

表1 遺傳算法參數(shù)設(shè)定

表2 模型參數(shù)設(shè)定

表3 兩種算法的性能比較

為了更細(xì)致地觀察距離偏差和里程焦慮對電動汽車用戶的影響，本文聚焦k=8，ε=5選址方案下（4,8,10,14,18,20,21,22）所有含有繞行和里程焦慮的O-D對及其相關(guān)路徑。此時(shí)，各聯(lián)合站所能截得的電動汽車流量最大。據(jù)網(wǎng)絡(luò)圖可知，節(jié)點(diǎn)7到節(jié)點(diǎn)11的弧長為8，剛好等于電動汽車的電池容量，然而極強(qiáng)的里程焦慮感導(dǎo)致無用戶選擇該條最短路徑。因此，更可取的路徑是經(jīng)由聯(lián)合站8繞行到節(jié)點(diǎn)11，由此產(chǎn)生的距離偏差為2，相鄰兩點(diǎn)的距離從8減少為7，該O-D對間流量也由5下降為4。

3.2 靈敏度分析

在計(jì)算上述算例之后，接下來本文將對里程焦慮閾值、里程焦慮率和預(yù)算做靈敏度分析。首先假定其它參數(shù)不變，在不同電池里程情景下對里程焦慮閾值做敏感性分析，此處里程焦慮閾值用τ/L來表示。假定k=10，B=3 100，α=3，ε=3，圖7和圖8分別比較了不同電池里程和里程焦慮率下里程焦慮閾值對Z1的影響。據(jù)圖7可發(fā)現(xiàn)，第一，更長的電池里程可以使各站截得的電動汽車流量更大。比如，當(dāng)τ/L=0.3時(shí)，L=10可截得的總流量為2 364，較L=6時(shí)增長984。第二，隨著里程焦慮閾值提高，Z1呈下降趨勢。里程焦慮閾值越高表明用戶對剩余電量更敏感，因此在沒有更短路徑可行的情況下，該部分流量可能無法到達(dá)目的地。在L=8下，里程焦慮閾值從20%上升到40%會導(dǎo)致截得的流量下降136。在k=10，B=3 100，L=8，ε=3下，圖8比較了在不同里程焦慮率和里程焦慮閾值下的結(jié)果，再一次印證了圖7的第二條發(fā)現(xiàn)，而且表明隨著里程焦慮率增大，較高的里程焦慮閾值會使截得的流量減少更多。如在τ/L從0.2增長到0.5時(shí)，α=2和α=4情境下截得的流量差從71上升到151。在對選址模型敏感性分析的基礎(chǔ)上，圖9進(jìn)一步分析了給定聯(lián)合站位置下，預(yù)算對電動汽車在站內(nèi)的平均逗留時(shí)間的影響。顯然，更加充足的預(yù)算會增設(shè)更多的充/換電設(shè)備，進(jìn)而降低Z2。隨著預(yù)算從6 400增加至6 500，平均逗留時(shí)間從25.33min降至24.73min。

圖7 里程焦慮閾值對Z1的影響

圖8 不同α情景下的Z1

圖9 Z2隨預(yù)算的變化

4 結(jié)語

電池續(xù)航里程短和充電時(shí)間長導(dǎo)致電動汽車用戶呈現(xiàn)出明顯的里程焦慮和路徑距離偏差感知，而且隨著電動汽車不斷推廣和普及，充電站常常出現(xiàn)排隊(duì)擁塞問題。本文將充電站和電池交換站融為一體進(jìn)行研究，建立了具有優(yōu)先級的雙排隊(duì)系統(tǒng)，將換下電池的內(nèi)充系統(tǒng)模擬為M/G/c/c排隊(duì)系統(tǒng)，并將錯(cuò)失換電機(jī)會轉(zhuǎn)而進(jìn)入的快充系統(tǒng)模擬為有排隊(duì)等待的M/M/m排隊(duì)系統(tǒng)。在綜合考慮繞行和里程焦慮下，本文第一階段研究了聯(lián)合站的選址-路徑問題并建立了數(shù)學(xué)模型。在此基礎(chǔ)上，第二階段結(jié)合雙排隊(duì)系統(tǒng)和預(yù)算約束建立了容量分配模型，以減少車輛在站內(nèi)的平均逗留時(shí)間。對于這兩階段模型的整數(shù)非線性規(guī)劃模型，本文分別采用了遺傳算法和貪婪算法進(jìn)行求解。通過與枚舉法比較，遺傳算法能夠在短時(shí)間內(nèi)獲得最優(yōu)解。此外，本文還通過典型算例網(wǎng)絡(luò)對里程焦慮閾值、里程焦慮率和預(yù)算進(jìn)行了靈敏度分析。未來的研究方向是進(jìn)一步開發(fā)和設(shè)計(jì)更高效的算法，應(yīng)用于大規(guī)模交通網(wǎng)絡(luò)。此外，目前的研究主要集中在設(shè)施投資者和電動汽車用戶，未來將把電網(wǎng)和可再生能源也考慮到該問題中。

表4 產(chǎn)生繞行和里程焦慮的O-D對