0 引言
货运交通是城市碳排放的重要来源，以传统燃油货车为主体的道路货运体系已成为制约交通绿色转型和城市环境可持续发展的瓶颈[1]。在“双碳”目标约束下，货运车辆电动化被认为是推动城市交通深度减排的重要途径之一[2]。与乘用车相比，货运车辆受配送时窗、线路组织和装卸作业等因素的严格约束，其停驻与补能位置集中于物流园区、仓库与配送中心等固定节点[3]；同时，在高强度的城市配送任务中，其途中补能需求显著，网络充电设施的合理布局是保障其高效运营的关键。现有充电设施布局方法多面向乘用车，直接应用于货运场景时，易导致设施布局与实际可充电机会脱节、功率配置与途中补能时间窗口不匹配等问题[4-5]，进而影响配送任务的按时完成。在此背景下，如何构建与货运特征相适配的充电设施站址布局与功率配置方法，已成为交通运输领域亟待解决的关键问题。
在充电设施选址方面，现有研究主要可分为路径截流型和点位覆盖型两类。路径截流型多以路径流量或行程覆盖为核心目标，在路径层面刻画设施对交通流的捕获作用。典型代表为截流选址模型 （Flow-Capturing Location Model, FCLM），其在给定设施数量的条件下最大化被设施覆盖的路径流量；在此基础上，Upchurch等[6]引入站点容量约束；Wu等[7]进一步将路径与需求不确定性纳入模型框架；杨珺等[8]则加入服务半径约束，以改善路径服务水平。点位覆盖型以离散需求点和候选站点为基础，通过P-center、集合覆盖等模型在服务水平与建设运营成本之间寻求平衡。孙秉珍等[9]在P-center框架下引入应急多目标构建两阶段模型，以压缩最远服务距离；田梦瑶等[10]使用集合覆盖模型，在充电需求不可达率满足假定要求的条件下，最小化充电站的建设运营成本；Iravani[11]从覆盖角度出发，强调通过合理站点布局提升充电设施的利用率。总体而言，现有模型多以覆盖车流量或空间范围为目标，对货运车辆停驻及补能时间窗口的差异刻画不足，且易因未能充分考虑车辆停留时长对充电功率选择的约束而引发配置失当，增加车辆绕行和延误风险。
也有部分研究尝试在布局中引入能耗或充电需求建模。Tu等[12]使用出租车轨迹数据，在续航与充电约束下实现时空需求覆盖选址；Yi等[13]将研究区域离散为网格并构建有向图，结合出行起讫点（Origin-Destination, OD）数据和社会经济属性估算充电需求；孙健等[14]采用K-means聚类提取潜在需求中心；张文会等[15]采用能耗模型识别出租车潜在充电需求并构建充电站选址方案。这类研究通过充电需求估计辅助站址决策，但在缺乏高分辨率运行数据时往往依赖里程分布或静态OD需求假设，需求表征精度有限；而基于高分辨率数据的精细化需求建模虽可提升估计准确性，但对数据获取与处理条件要求较高，实用性有限。
基于上述情况，本文面向城市配送场景，提出一种停驻特征驱动的货运充电设施布局与功率配置方法。该方法利用车辆停驻信息识别基地与途中补能需求，以停车总时长、停留强度和路网密度刻画网络充电站补能条件，并以未完成行程数最小化为目标确定站址布局；同时依据代表停车时长判断单桩功率等级，结合逐秒能耗数据评估不同方案的运行效果与小时负荷特征，可为城市货运充电设施规划、功率配置优化及交能协同发展提供方法参考。
1 数据采集与处理
本文基于成都市16 575辆4.5 t以下轻型货车的运行数据开展充电设施布局案例研究。该类车辆在城市货运体系中应用广泛，具有短程运行、高频出行和多点停驻等特征，能较好地反映城市场景下货运车辆的充电需求。为此，本文将其界定为典型的“城市配送车辆”，并作为充电设施布局研究的对象。
数据采集时间为2024年12月1日—7日，共计1周。数据采集频率为1 Hz，规模约25亿条，原始数据如表1所示。
表1 原始数据示例 |
| 车辆识别 代号 | 采集时间 | 车速 /（km/h） | 经度 /° | 纬度 /° |
|---|---|---|---|---|
| LZZ***1217 | 2024-12-01 14:36:51 | 7.668 | 104.072499 | 30.817264 |
| LZZ***1217 | 2024-12-01 14:36:52 | 7.301 | 104.072484 | 30.817249 |
| LZZ***1217 | 2024-12-07 12:18:10 | 2.184 | 104.071069 | 30.818262 |
1.1 数据质量控制
在开展研究前，对车辆运行数据进行清洗，具体需处理的数据有以下两类。
1）速度异常数据。结合货运车辆实际运行特征，本文将小于0 km/h或大于110 km/h的速度识别为异常，并将异常值标记为缺失；基于1 Hz采样频率，对连续缺失≤3 s且前后相邻记录时间连续、速度值有效的片段采用线性插值补齐；其余缺失片段保留为空值，不参与后续计算。
2）经纬度异常数据。对经纬度缺失、取值异常或空间跳变明显的记录，将经纬度字段标记为缺失；对连续缺失≤3 s的片段采用相邻有效坐标线性插值，超过3 s的缺失段保留为空值以控制空间插值误差。
1.2 车辆行程划分
根据上述规则，单车轨迹被划分为若干连续运行片段，各片段对应1次行程。本文以运行片段的首末有效轨迹点分别作为行程起点和终点。完成行程划分后，进一步提取行程OD点，并统计相邻行程之间的停驻信息。停车事件是指上一行程结束至下一行程开始之间的车辆停驻过程，停车时长由两次行程的时间间隔确定；对于连续轨迹内部识别出的低速停驻段，停车时长按该片段起止时刻计算。随后，将研究区域划分为500 m×500 m的网格，并将OD点映射至网格，以统计车辆整体的停驻信息。
1.3 车辆运行特征分析
2 城市配送车辆充电设施选址建模
城市配送车辆电动化转型主要存在两种潜在充电模式：①基地充电——车辆具有明显的基地出发与返回规律，且长时间在基地停留，因此基地充电成为主要补能方式；②网络充电——当车辆续航里程无法抵达下一个目的地时，需依赖公共充电网络进行途中补能。为分析车辆运行特征对不同充电模式的适配性，本文选取夜间与日间典型时段，绘制路网空间流量分布图（见图2），并结合小时在途车辆数与车均停车时长等指标进行综合评估。
如图2（a）与图2（b）所示，城市配送车辆的昼夜运行特征差异显著，夜间车辆流量较低且空间分布分散，日间流量显著提升并呈现高度集聚特征。结合图2（c）的小时运行指标可知，车辆在途规模与停车时长表现出明显的时间交替特性。夜间在途车辆数始终维持在较低水平，车均停车时长在2 h以上，大量车辆处于集中停驶状态，为基地类充电设施提供了稳定充裕的补能时间窗口；日间在途车辆数快速增长，并长期维持在约3.5万~4万辆的高位水平，车均停车时长不足1 h，配送作业强度高且停车行为碎片化，更适合依托网络类充电设施开展机会性补能。综上，城市配送车辆呈现夜间集中停驶和日间高频运行的典型特征，夜间时段构成基地类充电设施的核心补能窗口。
本文提出的城市配送车辆充电设施布局和功率配置方法的技术路线如图3所示：①形成基于停驻特征的站址布局和功率配置方案；②基于同一车队的逐秒能耗数据，引入行程未完成率、绕行距离与延误时间等指标，综合评估不同布局方案与站点规模下的运行效果。
2.1 运营基地识别
在开展充电设施布局之前，首先需要明确城市配送车辆的运营基地位置。为此，以空间网格为单元，统计每辆车有效行程中OD点落入各网格的次数，计算各网格的OD点落入次数占总启停次数的比例，若某一网格在单车层面具有较高的启停比例，即可判定为该车辆的常规作业基地。选取典型车队的代表车辆绘制网格启停比例分布图，如图4所示，不同车辆最高启停比例出现在同一网格上。
2.2 网络充电站选址
相较于侧重服务长时补能需求的基地，网络充电站主要面向车辆的在途补能需求，其选址注重覆盖具有充电潜力的停靠热点。为此，本文构建停车总时长、停留强度与路网密度3项指标，对各网格的补能条件进行综合表征。随后，对指标逐项进行Min-Max归一化[21]，并按权重得到综合评分S（g），生成网络充电站候选集。在给定网络充电站数量n的条件下，以最小化未完成行程数为目标，参考《城市综合交通体系规划标准》（GB/T 51328—2018）中的2.5 km服务半径要求，设置服务半径和最小间距约束对网格进行筛选，剔除与既有基地或已选充电站过近的网格，最终确定网络充电站布设方案。
指标定义与归一化方法如下。
1）停车总时长Tstay（g）
Tstay（g）由在网格g内停车时长不低于阈值τ（取0.5 h）的所有停车事件累计得到，是衡量充电条件的关键指标，计算公式如下：
式（1）中：g为网格；v为车辆；V为车辆集合；Tv为车辆v的行程集合；i为车辆v的行程； ${\mathit{t}}_{\mathit{v},\mathit{ }\mathit{i}}^{\mathit{g}}$ 为车辆v在行程i后于网格g内的停车时长，单位 h； ${\mathit{z}}_{\mathit{v},\mathit{ }\mathit{i}}^{\mathit{g}}$ 为二元变量，当 ${\mathit{z}}_{\mathit{v},\mathit{ }\mathit{i}}^{\mathit{g}}\ge \mathit{\tau }$ 时取1，否则取0。
2）停留强度Istay（g）
Istay（g）反映网格g中可供补能的时间窗口数量，记录为停车时长大于τ的行程数，计算公式如下：
3）路网密度Cnet（g）
Cnet（g）为网格g内道路总长度与网格面积的比值，用于描述车辆充电的可达性，计算公式如下：
式（3）中：r为网格g内的道路；ε(g)为网格g内的道路边集合；l(r)为道路r的长度，单位 km；B(g)为网格面积，单位 km2。
4）Min-Max归一化
对各指标进行Min-Max归一化处理，以消除量纲与尺度差异，并用于后续权重加和，计算公式如下：
式（4）中：h为任一网格；X(g)为网格g内的某项指标； $\widehat{\mathit{X}}\left(\mathit{g}\right)$ 为归一化处理后的值。
5）综合评分S(g)
将归一化处理后的指标进行加权[22]，计算各网格的综合评分S（g）：
6）选址优化目标与约束
为进一步明确网络充电站选址过程，设Ω为候选网格集合，A为已识别基地集合， ${\mathit{T}}_{\mathit{v}}^{\mathit{e}\mathit{v}\mathit{a}}$ 为车辆v的评价行程集合，其筛选规则见2.4节。设yg为选址变量，若在候选网格g布设网络充电站，则yg=1，否则yg=0；uv, i为行程完成状态变量，若车辆v的行程i在给定设施布局下无法完成，则uv, i=1，否则uv, i=0。以最小化未完成行程数为目标，目标函数为：
约束条件为：
式（6）~式（9）中：Nincomp为未完成行程数；n为网络充电站数量；dist(g, a)为候选网格g与基地a之间的距离，单位 km；dist(g, h)为候选网格g与候选网格h之间的距离，单位 km；ρb为站点最小间距，单位 km。
2.3 充电站功率配置
完成网络充电站的选址后，进一步结合车辆在各站点服务范围内的停车分布情况，对充电站进行功率配置。对于充电站k，将其服务范围内停车事件记为集合 $({\mathit{t}}_{\mathit{k},\mathit{ }\mathit{s}}{)}_{\mathit{s}=1}^{{\mathit{N}}_{\mathit{k}}}$ ，其中tk, s为第s个停车事件的时长，Nk为停车事件总数，并定义站点k的代表停车时长Tk如下：
式（10）中：Tk为充电站k服务范围内所有停车事件时长降序排列的第80百分位数，单位 h。
在给定典型补能需求E0和充电效率系数η的条件下，若将站点k的功率设置为 ${\mathit{P}}_{\mathit{k}}^{\mathit{s}\mathit{l}\mathit{o}\mathit{w}}$ ，则该站在Tk内可提供的最大补能量表示为 ${\mathit{E}}_{\mathit{k}}^{\mathit{m}\mathit{a}\mathit{x}}$ ，计算公式如下：
当 ${\mathit{E}}_{\mathit{k}}^{\mathit{m}\mathit{a}\mathit{x}}\ge {\mathit{E}}_{0}$ 时，认为 ${\mathit{P}}_{\mathit{k}}^{\mathit{s}\mathit{l}\mathit{o}\mathit{w}}$ 已能满足多数车辆的补能需求；反之，则需提高站点k的功率，以保障中途补能效率。在既定选址结果的基础上，以Tk为依据确定站点功率等级，形成与车辆停驻行为相匹配的充电站功率配置方案。
选取两个采用不同功率的站点，其停车时长分布如图6所示。其中，采用240 kW配置的站点，停车时长主要集中在0~4 h，长时停车占比较低，夜间与日间相比，长时停车比例仅小幅增加，表明该站点以中短时停靠为主，适合通过提高功率实现途中快速补能。相比之下，采用60 kW配置的站点，停车时长分布整体向长时段偏移，长时停车事件占比明显高于240 kW站点。在此类长停驻节点配置60 kW充电设施，既能充分利用既有停靠时间窗口完成补能，也有助于降低单站建设成本与电网负荷压力。
2.4 充电设施选址评价
原始运行数据中不包含能耗字段，本文基于既有研究构建城市货运车辆能耗模型[23]，计算车辆在电动化运行情景下的逐秒能耗。在1周评价期内，对单车行驶过程中的逐秒能耗进行离散积分，在给定电池容量与初始电量设定下判断车辆在既定充电设施布局下能否完成行程，并在电量降至预设阈值时确定最近可达的充电设施，以此评价不同布局方案的运行效果。
在补能过程中，对车辆行为作如下假设：①车辆充电时，假定充电功率恒定，充电功率由充电桩峰值功率Pk与效率系数η决定；②在绕行前往充电的过程中，假定车辆行驶速度与原本一致；③每个位置配备充足的充电设施，不设容量限制；④每辆车以评价周期内第1条有效记录作为评价起点，初始SOC设为100%。
在此基础上，引入行程未完成率、平均绕行距离与平均延误时间3项指标，用以评估充电设施布局方案的效果。
1）行程未完成率Rincomp
式（12）中： Ntotal为持续时间大于5 min，距离大于1 km，平均速度大于5 km/h的有效行程总数；Nincomp为未完成行程数，与式（6）中的目标函数值Z对应，表示在设定布局方案下电量无法支撑至行程终点的有效行程数量。
2）平均绕行距离 ${\stackrel{-}{\mathit{D}}}_{\mathit{d}\mathit{e}\mathit{t}\mathit{o}\mathit{u}\mathit{r}}$
式（13）中： ${\mathit{D}}_{\mathit{i}}^{\mathit{d}\mathit{e}\mathit{t}\mathit{o}\mathit{u}\mathit{r}}$ 为第i次充电事件的绕行距离，单位 km；Ncharge为绕行充电的事件总数。
3）平均延误时间 ${\stackrel{-}{\mathit{t}}}_{\mathit{d}\mathit{e}\mathit{l}\mathit{a}\mathit{y}}$
式（14）~式（18）中： ${\mathit{d}}_{\mathit{i}}^{\mathit{l}\mathit{o}\mathit{w}\to \mathit{g}\mathit{r}\mathit{i}\mathit{d}}$ 为行程i中电池荷电状态（State of Charge, SOC）首次低于20%时的位置至最近充电设施的距离，单位 km； ${\mathit{d}}_{\mathit{i}}^{\mathit{g}\mathit{r}\mathit{i}\mathit{d}\to \mathit{d}\mathit{e}\mathit{s}\mathit{t}}$ 为充电位置至原行程终点的距离，单位 km； ${\mathit{d}}_{\mathit{i}}^{\mathit{l}\mathit{o}\mathit{w}\to \mathit{d}\mathit{e}\mathit{s}\mathit{t}}$ 为行程中SOC首次低于20%时的位置至原行程终点的距离，单位 km； ${\mathit{t}}_{\mathit{i}}^{\mathit{c}\mathit{h}\mathit{a}\mathit{r}\mathit{g}\mathit{e}}$ 为实际充电时长，单位 h； $\overline{{\mathit{v}}_{\mathit{i}}}$ 为平均速度，单位 km/h； ${\mathit{t}}_{\mathit{i}}^{\mathit{r}\mathit{e}\mathit{q}}$ 为车辆充至目标SOC所需时间，单位 h；Cb为电池容量，单位 kW·h； ${\mathit{S}}_{\mathit{i}}^{\mathit{t}\mathit{a}\mathit{r}\mathit{g}\mathit{e}\mathit{t}}$ 为充电后目标SOC， ${\mathit{S}}_{\mathit{i}}^{\mathit{t}\mathit{a}\mathit{r}\mathit{g}\mathit{e}\mathit{t}}\sim \mathit{U}(80,\mathit{ }100)$ ； ${\mathit{S}}_{\mathit{i}}^{\mathit{a}\mathit{r}\mathit{r}\mathit{i}\mathit{v}\mathit{e}}$ 为到达充电位置时的SOC； ${\mathit{t}}_{\mathit{i}}^{\mathit{a}\mathit{v}\mathit{a}\mathit{i}\mathit{l}}$ 为可用充电时间，单位 h； ${\mathit{t}}_{\mathit{i}+1}^{\mathit{g}\mathit{a}\mathit{p}}$ 为行程i与i+1的时间间隔，单位 s。
3 实例验证
3.1 充电设施布局
为对比分析本文方法与传统选址方法的差异，构建FCLM 模型和最大覆盖模型作为基准方案。其中，FCLM 模型以车辆有效行程为覆盖对象，最大化被充电设施覆盖的有效行程数量；最大覆盖模型以停车网格为需求单元，用停留强度表征潜在补能需求，最大化服务范围内被覆盖的潜在补能需求量。两类方案不区分基地与网络充电站，假定所有充电设施在功能和功率上相同。为保证两类方案在规模上的可比性，采用本文方法时，在每一情景下配置m个基地和n个网络充电站；对于两类基准方案，则在对应情景下配置m+n个充电设施，使其总数与前者相等。
在识别基地的基础上进一步根据2.2节的选址方法布设网络充电站，以满足车辆行驶过程中因无法到达行程终点时的中途补能需求。充电效率系数η取0.8，车辆电池容量Cb统一设为当前市场主流轻型货车的130 kW·h，网络充电站数量n的取值范围为5至50（步长为5）。为保证不同方案之间具有可比性，本文设置4类评价情景。其中，本文模型与本文模型（混合配置）采用相同的基地布设方案，区别在于网络充电站功率设定。前者的网络充电站统一采用240 kW单桩功率；后者的“混合配置”是指在相同站址布局下，根据代表停车时长将网络充电站配置为60 kW或240 kW两类单桩功率；最大覆盖模型和FCLM模型不区分基地与网络充电站，并在相同设施总量条件下进行对比。具体参数见表2。
表2 参数设定 |
| 布局模型 | 设施 类型 | 电池容量 Cb/（kW·h） | 充电功率 Pk/kW | 设施数量 |
|---|---|---|---|---|
| 本文模型/ 本文模型 （混合配置） | 基地 | 130 | 60 | 20 |
| 本文模型 | 网络 充电站 | 130 | 240 | {5, 10, 15, …， 50} |
| 本文模型 （混合配置） | 网络 充电站 | 130 | 60; 240 | {5, 10, 15, …, 50} |
| 最大覆盖模型/ FCLM模型 | 充电 设施 | 130 | 240 | 20+{5, 10, 15, …, 50} |
为表征补能需求，设定单次典型补能需求E0=0.8Cb，即要求在一次充电过程中补足约80%的电量。该设定考虑到车辆在日常运营中通常不会将电池SOC长期维持在80%以上，且锂电池充至约80%后充电功率显著下降，继续充电对补能效率和电池健康的边际收益有限[25]。
当n取30时，网络充电站的分布情况如图7（a）所示，站点布设在停车总时长集中的区域，使站点布局覆盖车辆停驻的需求热点，并在空间上与既有基地形成互补。依据2.3节所给出的代表停车时长判别规则，对上述站点进行功率混合配置，共得到20个240 kW站和10个60 kW站。结果表明，240 kW站主要沿城市高速环线及放射状主通道布设，用于满足在途短时停靠条件下的快速补能需求；60 kW站则更多落在停车总时长高值斑块附近，其代表停车时长显著长于240 kW站，适合在长停时段内完成较大幅度补能，可同时兼顾降低单站功率配置和电网峰值负荷。
3.2 效果评估
在选址效果评估环节，为比较本文方法与FCLM模型和最大覆盖模型等主流模型的差异，在相同车辆样本条件下，基于逐秒能耗数据计算3项指标，结果如图8所示。
评价周期为1周，初始SOC统一设为100%，并按时间顺序逐秒递推车辆能耗与SOC状态，以判断各行程在既定设施布局下的完成情况。
结果表明，本文模型的3项指标表现均优于两种主流模型。如图8所示，当n=5时，FCLM模型的行程未完成率接近20%，最大覆盖模型约为16%，本文模型可降至约11%，较FCLM模型降低约40%；平均绕行距离和延误时间的变化趋势与行程未完成率类似，都缩短约20%~30%，其中平均绕行距离缩短约6 km，平均延误时间降低约0.3 h。随着充电站数量增加，各场景下的各指标均呈单调下降且边际效益递减的趋势，但FCLM模型的曲线始终位于最上方。
在保持站址布局不变的前提下，本文模型与本文模型（混合配置）的指标差异随充电站数量增加逐渐缩小。如图8所示，当n=5时，功率混合配置方案的行程未完成率高于全240 kW方案约4个百分点；随着n从5增加到50，两条曲线逐步收敛，当n=30~50时，各指标的相对差异均控制在10%以内；当n=50时两者差异已不足2个百分点，表明在站点规模足够时，适度配置60 kW设施对行程完成性基本无影响。平均绕行距离和平均延误时间的变化规律与之相似。总体上，功率混合配置方案在运行效果上与全240 kW方案接近。同时，该方案通过将部分网络站点的单桩功率由240 kW调整为60 kW，减少了高功率充电桩及配套配电容量需求，从而降低设施建设成本。以n=30为例，混合配置方案中20处网络站点采用240 kW单桩配置，10处采用60 kW单桩配置；网络侧单桩额定功率合计为5.4 MW，较全240 kW单桩配置方案减少1.8 MW，降幅约25%。
当n=50时，图9展示了不同模型选址情景下代表基地与网络充电站的小时充电负荷曲线。代表基地统一选取为各情景中日负荷最大的基地，代表网络站点则为各自情景下日负荷最大的网络充电站。与行程完成率、绕行距离和延误时间等指标相比，小时负荷更侧重于反映充电需求在时间层面的分布差异，揭示不同布局方案对电网负荷时序特性的影响。
由图9可以看出，基地代表站在多数时段的负荷都显著高于网络代表站，表明整日主要能量补给仍集中于基地侧。基地侧负荷在8时—18时形成连续高值区间，其中FCLM模型和最大覆盖模型在14时分别约为6.0 MW和5.7 MW；本文模型约为5.5 MW，功率混合配置方案进一步降至约4.2 MW，较FCLM模型和最大覆盖模型分别降低约30%（1.8 MW）和26%（1.5 MW）。FCLM模型侧重有效行程覆盖，易在高流量走廊附近形成负荷集中；最大覆盖模型虽可一定程度降低峰值负荷，但仍弱于本文模型；功率混合配置则进一步削减了基地侧高峰负荷。
网络侧负荷同样呈现模型间差异，并在16时附近达到峰值。FCLM模型在该时段负荷约为6.5 MW，最大覆盖模型降至约4.7 MW，本文模型和功率混合配置方案进一步降至约4.4 MW和3.7 MW，功率混合配置方案相较于FCLM模型降低约2.8 MW（43%）。结果表明，最大覆盖模型相较FCLM模型能够降低网络侧负荷集中程度，但在相同站址布局下，功率混合配置可进一步平滑网络侧峰段负荷，从而优化小时负荷结构。
4 结论
本文针对城市配送车辆电动化转型中充电设施布局不合理的问题，提出一种基于停驻特征的充电设施选址与功率配置方法，并利用同一车队的逐秒能耗数据开展选址布局的效果评估，得出的主要结论如下。
1）本文构建了停驻特征驱动的充电设施选址与功率配置框架。该框架能将车辆停驻时间窗口与补能需求嵌入选址过程，使站址布局更贴近实际补能机会，并通过代表停车时长确定站点功率等级，实现选址与功率配置协同优化。
2）在相同设施规模下，本文方法较FCLM模型和最大覆盖模型具有更优的运行效果。以网络充电站数量n=5为例，相较于FCLM模型，本文模型的行程未完成率平均降低约40%，平均绕行距离缩短约6 km，平均延误时间降低约0.3 h；随着n增加，不同方法之间的差异逐渐收敛，本文方法始终保持优势。
3）功率混合配置在保证运行效果的同时具备成本优势。在本文方法确定的站址布局下，60 kW与240 kW功率混合配置方案的各项运行指标虽略高于全240 kW方案，但差异随充电站数量增加而迅速收敛；当n=30~50时，各指标的相对差异均控制在10%以内。这表明当设施规模达到一定水平后，将部分240 kW充电桩替换为60 kW桩，可在基本保持运行效率的同时降低建设成本。
4）小时负荷对比结果表明，本文的功率混合配置方案显著缓解了单站负荷压力。相较于FCLM模型，功率混合配置方案的基地与网络代表站峰值负荷分别降低约1.8 MW和2.8 MW，对应降幅约30%和43%。该方案在不改变站址布局的前提下，通过将部分高峰充电需求转移至平峰时段，进一步平滑了负荷曲线，实现削峰填谷，增强了对电网运行的友好性。
总体而言，本研究为城市货运交通电动化条件下的充电设施布局提供了科学参考。案例结果表明，城市货运充电设施供给不仅涉及设施数量与空间覆盖，也关系到交通运行组织和电力负荷时序之间的协调。因此，城市货运电动化政策不宜单纯追求设施规模扩张和高功率配置，而应兼顾设施利用效率、建设成本与局部负荷压力。未来研究可在此基础上，将已有充电站布局与负荷约束纳入选址与定容模型，并进一步考虑驾驶员充电行为差异、排队效应及分时电价等机制，以在运行效益、建设成本与电力系统安全之间实现更为系统的协同优化。
