光储充一体化充电站选址、定容与服务分配协同优化研究

Research on the Collaborative Optimization of Siting, Sizing, and Service Allocation for Integrated Photovoltaic-Energy Storage-Charging Stations

摘要: 在“双碳”战略背景下，电动汽车的迅猛发展对城市配电网构成挑战。光储充一体化充电站作为一种能够就地消纳可再生能源、缓解电网冲击的有效解决方案，其科学规划至关重要。然而，现有研究较少将场站选址、各子系统容量配置及服务分配在统一的确定性框架下进行协同优化。针对此问题，本文构建了一个混合整数线性规划(MILP)模型。该模型以年化总社会成本最小化为目标，在一个统一的框架内对充电网络的选址、各子系统包括光伏、储能和充电容量以及服务范围进行协同优化。模型全面考虑了充电站功率平衡、储能系统物理特性以及与电网的交互约束。以上海市嘉定区为例的实证分析表明：该确定性模型具备高效的求解性能，能够在短时间内为城市级规划问题提供最优解。决策结果揭示了在理想条件下，为最大化用户便利性，模型倾向于进行广覆盖的站点布局，并根据各区域负荷特性进行高度差异化的容量配置。本研究不仅为确定性环境下的新型充电基础设施规划提供了一套科学的理论方法与决策基准，也为后续考虑不确定性风险的复杂规划研究奠定了基础。

Abstract: Under the “Dual Carbon” goals strategy, the rapid development of electric vehicles poses significant challenges to urban power distribution networks. Integrated photovoltaic-energy storage-charging (PSC) stations, which effectively consume local renewable energy and mitigate grid impact, require scientifically sound planning. However, existing research seldom addresses the collaborative optimization of station siting, subsystem capacity sizing (for photovoltaic, energy storage, and charging facilities), and service allocation within a unified deterministic framework. To address this gap, this paper develops a mixed-integer linear programming (MILP) model. Aiming to minimize the total annualized social cost, the model collaboratively optimizes the siting of charging stations, the capacity sizing of subsystems—including photovoltaic, energy storage, and charging infrastructure—and service allocation within a unified framework. It comprehensively incorporates constraints such as station power balance, the physical characteristics of the energy storage system, and interaction with the main grid. An empirical analysis conducted in Jiading District, Shanghai, demonstrates that this deterministic model achieves high computational efficiency, providing optimal solutions for city-scale planning problems within a short timeframe. The results indicate that, under ideal conditions, to maximize user convenience, the model favors a widely distributed station layout with highly differentiated capacity configurations tailored to the load characteristics of each zone. This study not only provides a scientific theoretical method and a decision-making benchmark for planning new charging infrastructure in deterministic environments but also establishes a foundation for future research incorporating uncertainty and risk.

1. 引言

在全球气候变化挑战日益严峻的背景下，中国提出了“2030年前碳达峰，2060年前碳中和”的“双碳”目标，引领一场深刻的经济社会系统性变革[1]。在此战略驱动下，两大转型正在并行加速：一是以太阳能等可再生能源为主体的新型电力系统加速构建，二是以电动汽车大规模替代传统燃油车为标志的交通系统全面电动化转型[2]。然而，这两大转型在物理层面的配电网络上交汇时，若缺乏系统性规划，反而可能引发新的系统性风险。

当前最为突出的挑战在于，大规模电动汽车用户的充电行为具有显著的时空集中性。大量用户习惯于在傍晚的用电高峰期于居住区充电，形成了“峰上加峰”的严峻局面，极大地冲击了城市配电网的承载能力，甚至威胁电网的安全稳定运行[3] [4]。为应对此问题而进行大规模的电网增容改造，不仅投资巨大，还常常因物理空间有限、施工协调困难等现实因素而难以实施[5]。因此，集成了光伏发电、储能系统与充电设施的“光储充一体化”充电站，作为一种能够就地消纳绿色能源、主动进行能量管理的友好型资产，为解决上述矛盾提供了全新的思路。

学术界对充电基础设施的规划问题已进行了广泛研究。早期研究多借鉴经典的设施选址理论，如旨在优化系统总运输成本的p-中值模型[6]和旨在提升服务普及率的集合覆盖模型[7]。为更精准地刻画电动汽车的移动属性，后续研究发展了面向交通流的动态选址模型，例如以最大化服务交通流量为目标的流捕获选址模型(FCLM) [8] [9]和将车辆续航里程作为核心约束的流补给选址模型(FRLM) [10]。这些研究为充电站的布局优化提供了坚实的理论基础，但一个关键的不足在于，现有研究往往未能将场站选址、各子系统(光伏、储能、充电)的容量配置以及对用户的服务分配这三个紧密耦合的战略决策，置于一个统一的框架中进行协同优化。

为弥补现有研究的不足，本文从系统优化的角度出发，针对光储充一体化充电网络的规划问题，构建了一个确定性的混合整数线性规划(MILP)模型。该模型以最小化系统的年化总社会成本为目标，该成本全面涵盖了基础设施的投资建设成本、系统的日常运营成本以及用户往返充电站的出行成本。在统一的优化框架内，模型将对充电网络的场站选址、光伏/储能/充电桩的容量配置以及各时段的服务范围分配进行一体化的协同决策，从而为城市新型充电基础设施的规划提供科学的理论方法与决策支持。

2. 问题描述与系统架构

本文旨在解决一个区域性光储充一体化充电服务网络的协同规划问题。该问题涉及在一个给定的地理区域内，综合考虑一组潜在的充电需求点、多个候选建设点以及与上级电网的连接，进行一次性的战略投资与布局决策。

Figure 1. System architecture diagram

图1. 系统架构图

所研究的系统架构如图1所示。每个光储充一体化充电站都是一个微型能源网络，其内部由光伏发电系统、储能系统、充电服务系统以及能量管理系统(EMS)高效协同构成。其核心运行逻辑在于，优先利用光伏所发的绿色电力满足用户的即时充电需求；当光伏出力富余时，多余电能可存入储能系统以备后用，或出售给电网获利；当光伏出力不足时，则优先由储能系统放电进行补充，仅在仍有缺口时才从大电网购电。这种能量流动的内在逻辑，旨在最大化绿色能源的本地消纳率并降低系统运营成本。

因此，本研究面临的核心决策问题可以分解为三个紧密耦合的子问题：

(1) 场站选址决策：从候选建设点集合中，选取哪些位置来建设充电站？

(2) 容量配置决策：对于每一个被选定的充电站，应配置多大容量的光伏阵列、多大容量的储能系统以及多少个充电桩？

(3) 服务分配决策：在一天中的不同时段，每个充电需求点应由哪个充电站提供服务，以实现全局最优？

本文将这三个子问题置于一个统一的优化框架内，以系统的年化总社会成本最小化为总体目标进行协同求解。该总成本将全面涵盖充电站的建设与设备购置等投资成本、日常从电网购售电的运营成本，以及用户往返充电站的出行成本。通过对这些决策的协同优化，旨在找到一个兼顾经济性、服务便利性与能源利用效率的综合最优规划方案。

3. 模型构建

为实现光储充一体化充电网络选址、定容与服务分配的协同优化，本文构建了一个混合整数线性规划(MILP)模型。该模型旨在规划一个由候选充电站、城市充电需求点及大电网构成的区域性服务网络。其核心运行逻辑是：优先利用光伏电力满足即时充电需求，余电存入储能或上网售卖；当光伏出力不足时，由储能系统放电补充，最后才从大电网购电。

为简化问题，模型做出如下假设：1) 所有需求点的充电需求在各时段已知且固定；2) 所有相关成本和电价已知且恒定；3) 充电站按天周期性运行，各天之间解耦。模型的目标是在满足一系列物理及运营约束的前提下，最小化系统的年化总社会成本。

模型的目标函数式(1)由三部分构成：所有用户的年化总出行成本、充电网络的年化总投资建设成本(包含基础建设、充电桩、光伏和储能)以及系统的年化总运营成本(购电成本减去售电收益)。

$\begin{array}{l}\min {\displaystyle \sum }_{m\in M}{\displaystyle \sum }_{t\in T}{\displaystyle \sum }_{j\in N_t}{\displaystyle \sum }_{i\in I}{D}_m\omega \rho y_{ijt}{d}_{ijt}+{\displaystyle \sum }_{i\in I}\left(f_{ECS}{x}_i+f_{CP}{q}_{1i}+f_{PVS}{q}_{2i}+f_{ESS}{q}_{3i}\right)\\ +{\displaystyle \sum }_{m\in M}{\displaystyle \sum }_{t\in T}{\displaystyle \sum }_{i\in I}{D}_m\left({\lambda }_t{p}_{3imt}+{\lambda }_t{p}_{5imt}-{{\lambda }^{\prime }}_t{p}_{6imt}\right)\end{array}$ (1)

其中T是一天的时间集合；$N_t$ 是在t时刻，充电需求点的集合；$M$ 是一年中月份的集合。$I$ 是候选充电站建设点集合；$D_m$ 是$m$ 月的天数，$d_{ijt}$ 是在t时刻，j充电需求点到候选点i的距离。$\omega$ 是用户的时间成本系数；$\rho$ 是电动汽车点到点行驶的非直线系数；$f_{ECS}$ 、$f_{CP}$ 、$f_{PVS}$ 、$f_{ESS}$ 分别是光储充充电站、单位充电桩、单位光伏模块、单位储能模块的建设成本；$y_{ijt}$ 是0~1变量，t时刻，候选点i服务需求点j时为1，否则为0；$x_i$ 是0~1变量，在候选点i建充电站时为1，否则为0；$q_{1i}$ 、$q_{2i}$ 、$q_{3i}$ 分别是在候选点i建充电桩、光伏模块和储能模块的数量；$p_{3imt}$ 、$p_{4imt}$ 、$p_{6imt}$ 分别代表在在m月t时刻候选点i公共电网满足符合的电量、光伏模块输入储能模块的电量、光伏模块发电并网的电量。${\lambda }_t$ 和${{\lambda }^{\prime }}_t$ 分别是在t时刻公共电网的电价和在t时刻光伏发电并网回收价格。

主要约束条件如下：

式(2)定义了用户点$j$ 与候选充电站$i$ 之间的距离计算方法。

$d_{ijt}=\sqrt{{\left(l_{1i}-l_{1jt}\right)}^2+{\left(l_{2i}-l_{2jt}\right)}^2},\forall i\in I,j\in N_t,t\in T$ (2)

式(3)~(5)为网络布局约束：式(3)确保只有被选中的候选点才能提供服务；式(4)表示任一时刻每个需求点有且仅有一个充电站为其服务；式(5)确保建设总数不超过上限p。

$y_{ijt}\le x_i,\forall i\in I,j\in N_t,t\in T$ (3)

${\displaystyle \sum }_{i\in I}{y}_{ijt}=1,\forall j\in N_t,t\in T$ (4)

${\displaystyle \sum }_{i\in I}{x}_i\le p,\forall j\in N_t$ (5)

式(6)~(9)为容量配置约束：确保各子系统的容量与选址决策逻辑一致，且充电桩数量需满足其服务的总充电需求。其中，充电桩数量的计算涉及向下取整函数，为保持模型线性，本研究采用式(6)和(7)两个线性不等式进行等价替换。其中$P_{CP}$ 是单个充电桩的功率，$R_{jt}$ 是在t时刻需求点$j$ 的充电需求量，$e$ 充电设施故障的备用系数

$q_{1i}\ge e\frac{{{\displaystyle \sum }}_{t\in T}{{\displaystyle \sum }}_{j\in N_t}{R}_{jt}{y}_{ijt}}{P_{CP}\left|T\right|}-1+\epsilon ,\forall i\in I$ (6)

$q_{1i}\le e\frac{{{\displaystyle \sum }}_{t\in T}{{\displaystyle \sum }}_{j\in N_t}{R}_{jt}{y}_{ijt}}{P_{CP}\left|T\right|},\forall i\in I$ (7)

$q_{2i}\le M{x}_i,\forall i\in I$ (8)

$q_{3i}\le M{x}_i,\forall i\in I$ (9)

式(10)~(13)为能量平衡与流动约束：式(10)是站内功率平衡约束，要求供给侧的总功率满足该站承载的所有充电需求，其中${\eta }_{PVS.D}$ 是光伏模块到电动汽车的充电效率，${\eta }_{ESS.D}$ 是储能模块到电动汽车的充电效率，${\eta }_{DG.D}$ 是电网到电动汽车的充电效率，$p_{1imt}$ 、$p_{2imt}$ 分别是在m月份t时刻候选点i光伏模块满足负荷的电量和储能模块满足负荷的电量。式(11)描述了光伏发电量的分配去向，其中$A_{PV}$ 是单个光伏模块的面积，${\eta }_{PV}$ 是光伏板效率，$v_{mt}$ 是光伏单位面积的光照辐射强度，三者乘积就是光伏的出力水平。式(12)和式(13)为储能系统的状态转移约束，描述了储能电量随时间的变化关系，其中$s_{imt}$ 是候选点i储能模块m月t时刻的期末电量，${\eta }_{ESS}$ 是储能系统的最低符电状态系数，$S_{ESS}$ 是单个储能模块的容量，$p_{4imt}$ 、$p_{5imt}$ 分别是m月t时刻候选点i光伏模块输入储能模块的电量和公共电网输入储能模块的电量。

${\eta }_{PVS.D}{p}_{1imt}+{\eta }_{ESS.D}{p}_{2imt}+{\eta }_{DG.D}{p}_{3imt}={\displaystyle \sum }_{j\in N_t}{R}_{jt}{y}_{ijt},\forall t\in T,i\in I$ (10)

$p_{1imt}+p_{4imt}+p_{6imt}\le q_{2i}\cdot A_{PV}\cdot {\eta }_{PV}\cdot v_{mt},\forall t\in T,i\in I,m\in M$ (11)

$s_{im1}={\eta }_{ESS}{S}_{ESS}{q}_{3i}+{\eta }_{PVS.ESS}{p}_{4im1}+{\eta }_{DG.ESS}{p}_{5im1}-p_{2im1},\forall i\in I$ (12)

$s_{imt}=s_{im\left(t-1\right)}+{\eta }_{PVS.ESS}{p}_{4imt}+{\eta }_{DG.ESS}{p}_{5imt}-p_{2imt},\forall t\in T\wedge t\ne 1,i\in I$ (13)

式(14)为上网功率上限约束，规定了充电站向电网售电的最大功率，$P_{DG.in}$ 为光伏发电并网电量的最大功率，${\eta }_{PVS.DG}$ 是光伏模块到电网的充电效率。式(15)为配电网的交互功率约束，规定了充电站与上级电网购电的功率必须在允许的范围内，$P_{DG.out}$ 为公共电网的最大输出功率。式(16)和式(17)为储能模块的物理特性约束，确保储能电量始终在其容量的上、下限之间；式(18)则确保光伏模块和电网分配给储能模块的电量必须小于可储能空间$P_{ESS.in}$ ，${\eta }_{PVS.ESS}$ 为光伏模块输到储能模块的充电效率，${\eta }_{DG.ESS}$ 为电网到储能模块的充电效率。式(19)约束储能模块输出功率必须在允许范围$P_{ESS.out}$ 内；式(20)至式(22)给出了模型中各决策变量的取值范围。

${\eta }_{PVS.DG}\cdot p_{6imt}\le P_{DG.in},\forall t\in T,i\in I,m\in M$ (14)

$p_{3imt}+p_{5imt}\le P_{DG.out},\forall t\in T,i\in I,m\in M$ (15)

$s_{imt}\ge {\eta }_{ESS}{S}_{ESS}{q}_{3i},\forall t\in T,i\in I,m\in M$ (16)

$s_{imt}\le S_{ESS}{q}_{3i},\forall t\in T,i\in I,m\in M$ (17)

${\eta }_{PVS.ESS}{p}_{4imt}+{\eta }_{DG.ESS}{p}_{5imt}\le P_{ESS.in}{q}_{3i},\forall t\in T,i\in I,m\in M$ (18)

$p_{2imt}\le P_{ESS.out}{q}_{3i},\forall t\in T,i\in I,m\in M$ (19)

$x_i,y_{ijt}\in \left\{0,1\right\},\forall i\in I,j\in N_t,t\in T$ (20)

$q_{1i},q_{2i},q_{3i}\in N^{+},\forall i\in I$ (21)

$p_{1imt},p_{2imt},p_{3imt},p_{4imt},p_{5imt},p_{6imt}\ge 0,\forall t\in T,i\in I,m\in M$ (22)

4. 案例分析与结果

为验证本文所构建模型的有效性和实用性，本章选取上海市嘉定新城内一个面积为122平方公里的典型城市功能区作为实证研究对象。该区域包含了居住、商业、办公、工业等多种用地类型，其复杂的充电需求特性为模型提供了良好的测试场景。

4.1. 数据描述与处理

本研究涉及的地理、需求、气象及经济数据均经过标准化处理以满足模型输入要求，具体如下：

(1) 地理与充电需求数据

首先，本研究利用地理信息系统(GIS)将嘉定区划分为190个功能独立的地块。随后，基于各功能地块的用地性质和建筑面积，估算其潜在的充电需求总量。为捕捉需求的时变特性，本研究将一天划分为24个时段，并为不同用地类型赋予了典型的时间分布曲线，最终生成了4569个时空维度的充电需求点。图2展示了需求点和候选点分布情况。表1展示了11:00至12:00时段部分需求点的数据。

Figure 2. Distribution of demand points and candidate points

图2. 需求点和候选点分布

Table 1. Data of partial demand points during 11:00~12:00

表1. 11:00至12:00时段部分需求点数据

序号	经度	纬度	土地类型	面积/平方米	充电系数	需求量/千瓦时
1	113.321	31.372	住宅类	25584.231	0.14	0.358
2	113.318	31.373	住宅类	23258.843	0.14	0.326
3	113.319	31.371	住宅类	20980.033	0.14	0.294
4	113.323	31.368	住宅类	26208.035	0.14	0.367
5	113.323	31.371	住宅类	60780.16	0.14	0.851
6	113.321	31.367	住宅类	34365.952	0.14	0.481
7	113.319	31.366	住宅类	27404.78	0.14	0.384
8	113.321	31.364	住宅类	30160.715	0.14	0.422
9	113.322	31.365	住宅类	26879.856	0.14	0.376
10	113.324	31.366	住宅类	33571.464	0.14	0.470
11	113.344	31.379	商业服务类	63181.818	2.36	14.911
12	113.319	31.370	商业服务类	33004.776	2.36	7.789
13	113.324	31.369	商业服务类	15010.511	2.36	3.542
14	113.324	31.375	公共服务类	48902.971	8.9	4.352
15	113.349	31.376	公共服务类	11311.058	0.89	1.007
16	113.348	31.371	公共服务类	50911.414	089	4.531
17	113.331	31.370	工作类	30497.535	6.38	19.457
18	113.333	31.371	工作类	23312.036	6.38	14.873
19	113.336	31.372	工作类	45902.805	6.38	29.286
20	113.336	31.355	交通枢纽类	50865.776	0.59	3.001

(2) 候选站址数据

为避免主观选址的偏差，本文采用数据驱动的方法生成候选站址。以190个功能地块的地理中心为输入，本研究运行了K-Means聚类算法，将所有地块聚合为4个簇。每个簇的质心(centroid)被确定为一个候选充电站的建设点。这种方法能够确保候选点在地理上能够均衡地覆盖整个区域的潜在需求。表2展示了用K-Means聚类算法生成的4个候选站址的情况。

Table 2. Data of candidate sites for charging stations

表2. 充电站候选站址数据

坐标	充电站候选点序号
	1	2	3	4
经度	113.339	113.341	113.354	113.327
纬度	31.356	31.375	31.363	31.368

(3) 光伏出力数据

光伏发电的出力数据选取NREL数据库中太阳辐射数据作为原始数据源，包含了研究区域自2022年1月1日至2024年12月31日的逐时历史太阳辐照度数据。为构建确定性模型的基准情景，本文将此长达三年的模拟数据处理为具有代表性的“典型日”出力曲线。本研究采用2022年至2024年全部三年的GHI数据，以最大化样本量，确保生成的典型日曲线更具统计代表性。图3展示了2022年至2024年逐日的GHI值的变化。为平衡计算精度与效率，本研究针对全年12个月份，分别生成了12条“典型日”的逐时太阳能辐照度曲线，以代表不同季节的光照条件变化。图4展示了计算获得的一月到十二月份典型日一天中光照辐射强度标称值的变化。

Figure 3. Daily variation of GHI values from 2022 to 2024

图3. 2022年至2024年逐日GHI值变化

Figure 4. Nominal values of typical days in twelve months

图4. 十二个月典型日的标称值

(4) 经济与技术参数

模型涉及的成本、电价及技术参数均参考了当前的行业报告、设备报价及相关文献。表3给出了公共电网电价和光伏发电上网回收的价格。表4给出了其他的关键参数设定值。

Table 3. Grid electricity price and photovoltaic grid-connected electricity price

表3. 公共电网电价和光伏上网电价

时间	${\lambda }_t$ /[元∙(kw∙h)^−^1]	${{\lambda }^{\prime }}_t$ /[元∙(kw∙h)^−^1]
0:00~7:00	0.3119	0.4115
8:00~11:00	1.0697	0.4115
12:00~16:00	0.6418	0.4115
17:00~20:00	1.0697	0.4115
21:00~24:00	0.3119	0.4115

Table 4. Set values of key parameters

表4. 关键参数设定值

参数	取值	参数	取值
$f_{ECS}\text{/}元$	40,000	$e$	1.2
$f_{CP}\text{/}元$	9000	$\omega \text{/}\left(元\text{/km}\right)$	0.5
$f_{PVS}\text{/}元$	350	${\eta }_{PVS.ESS}$	0.95
$f_{ESS}\text{/}元$	3000	${\eta }_{PVS.DG}$	0.98
${\text{S}}_{\text{ESS}}\text{/kW}\cdot \text{h}$	10	${\eta }_{PVS.D}$	0.97
${\eta }_{ESS}$	0.1	${\eta }_{ESS.D}$	0.95
$A_{PV}{\text{/m}}^2$	2	${\eta }_{DG.D}$	0.98
${\eta }_{PV}$	0.15	${\eta }_{DG.ESS}$	0.98
$\rho$	1.2	$P_{CP}\text{/kW}$	120

4.2. 模型求解

本章构建的确定性优化模型在数学上属于大规模的混合整数线性规划问题。此类问题结构清晰，虽然决策变量众多、求解空间复杂，但已有非常成熟且高效的精确求解算法。因此，本研究使用Python语言编程调用商业求解器Gurobi 10.0.2对算例进行求解。具体的模型规模如下：(1) 约束与变量：模型共包含33,309个约束条件和26,416个决策变量。(2) 变量类型：变量中包括8064个连续变量和18,352个整数变量(其中18,340个为二元变量)。

Figure 5. Location selection and service coverage

图5. 选址和服务范围

测试平台为搭配Apple M2 Pro处理器(10核心)与16 GB内存的计算机。求解器在2.30秒内找到了满足预设精度(MIP Gap < 0.5%)的最优解，最终收敛间隙为0.3013%。高效的求解性能证明了该模型在处理实际城市功能区级别的规划问题时具有良好的实用性。图5展示了最终选址和各个充电站的服务情况。

4.3. 结果分析

在确定性环境下，模型求解所得的最优年化总社会成本为5487329.42元，其中用户出行成本为2032537.41元，基础设施投资成本为1847550.00元，系统年化运营成本为1607242.01元。分析成本构成可以发现，高达37.0%的成本源于用户出行的经济折算，这表明模型将保障用户的服务可达性与便利性置于极高的优先级。为实现这一目标，模型提出的最优投资策略是在全部四个候选点进行场站建设，通过广覆盖的布局来最小化用户群体的平均寻址距离。

与选址的普遍性形成对比的是，各站点的容量配置呈现出高度的异构化，这体现了模型对各服务区域负荷特性的精准响应。例如，2号充电站被赋予了网络中最大规模的配置(1503个光伏模块与9个储能单元)，这表明其服务区域的充电需求最高。这种“量身定制”的配置使其不仅能最大化本地绿电消纳，更具备了通过“削峰填谷”进行电价套利的潜力，从而有效降低长期运营成本。值得注意的是，该确定性方案为所有站点仅配置了极少的充电桩，这是因为桩数计算基于满足日度总电量而非瞬时功率峰值，隐含了用户充电行为可被完美调度的理想化假设。因此，该确定性方案虽在理想条件下实现了成本效益的最优，但其结果也为后续评估不确定性风险提供了重要的理论基准。

5. 总结

本文针对光储充一体化充电网络的规划问题，从系统优化的角度构建了一个确定性的混合整数线性规划模型。该模型在一个统一的框架内协同优化了充电网络的场站选址、光伏/储能/充电桩的容量配置以及服务分配三大核心决策，以最小化包含投资、运营和用户出行在内的年化总社会成本。以上海市嘉定区的实证分析验证了模型的有效性与实用性。研究发现，在确定性环境下，用户出行的便利性是影响网络布局的关键经济因素，模型倾向于通过广覆盖的选址策略来降低社会总成本。同时，模型能够根据不同服务区域的负荷特性，进行高度差异化和经济最优的容量配置，充分展现了协同优化的价值。

基于以上的研究结论，为促进光储充一体化设施的科学落地，本文提出以下三点具体建议：(1) 用户往返充电站的出行成本在总社会成本中占比高达37.0%，政府及规划部门应优先采用“多点布局”策略，鼓励利用碎片化闲置土地建设站点，通过缩短用户寻址距离来有效降低全社会的交通与时间成本。(2) 投资方应依据不同功能区的负荷特性灵活定制光伏与储能比例。对于高需求区域，应配置大规模光储系统以最大化绿电消纳，而低负荷区域则应精简配置以避免资产闲置。(3) 运营商与电网公司应充分挖掘光储充站点的“微网”属性，引入智能化能量管理系统。通过储能系统的“削峰填谷”功能利用峰谷价差进行套利，将单一的售电服务转变为主动的能量管理，从而有效降低长期运营成本。

本研究的主要贡献在于，为确定性环境下的新型充电基础设施规划提供了一套科学、量化的理论方法和决策支持工具。然而，本文的模型建立在光伏出力、充电需求等参数精确已知的理想假设之上。现实世界中，这些参数固有的不确定性是规划决策中不可忽视的风险因素。因此，未来的研究应在此基础上，引入随机规划或鲁棒优化等方法，将不确定性内生化到模型中，以探求兼具经济性与可靠性的稳健规划方案。

NOTES

^*通讯作者。