本研究由加州大学河滨分校电气与计算机工程系及环境研究与技术中心的 Luis Fernando Enriquez-Contreras、Dongbo Peng、Ruili Yao、Matthew Barth 和 Kanok Boriboonsomsin 共同完成，其中前两位作者贡献相同。该论文发表于 Transportation Research Record 期刊 2026 年第 2680 卷第 2 期，页码 20 至 36。
本研究属于智能电网与交通电气化交叉领域的前沿探索。过去十年间，电动汽车技术，特别是极速充电技术取得了显著进步，但充电基础设施的匮乏仍是制约电动汽车广泛采用的主要障碍之一。随着交通领域电气化进程加速，电动卡车对公用事业系统的影响正成为日益重要的研究课题。当大量电动卡车同时充电时，尤其是在高峰时段，可能导致电网峰值负荷急剧升高，现有电力基础设施可能需要进行重大升级改造。此外，公用事业公司需要实施或扩展需求响应（demand response）项目，通过激励措施引导卡车运营商在非高峰时段充电，或采用智能充电技术根据电网需求自动调整充电时间。
在微电网能量管理算法方面，已有研究如 Hasan 等人和 Fernando Enriquez-Contreras 等人的工作主要聚焦于优化微电网能源本身，但未能整合电动汽车充电负载的管理。Lee 等人和 Luke 等人虽探讨了动态负载分配和自动驾驶汽车调度与充电的协同优化，但将充电设施视为独立系统而非微电网的一部分。Garrido 等人研究了货运卡车调度与充电问题，Purvins 等人则优化了电动汽车在微电网中的充电，但均未实现车辆调度与微电网能源管理的真正整合。这一研究空白正是本文试图填补的关键领域。
本研究旨在展示微电网控制算法与卡车路线算法的同步优化如何降低整体系统成本。研究实验涉及一个 100 千瓦太阳能光伏系统、一套 500 千瓦时电池储能系统（battery energy storage system, BESS）、一栋商业建筑的电力需求，以及一套重型车辆充电系统。研究通过将调度器的输出（如时间框架和能量需求）作为微电网管理的约束条件，实现了对既往方法的改进。
本研究的方法论包含三个核心组成部分：调度中心充电站布局设计、微电网电力成本模型构建，以及协同优化框架的建立。
在调度中心充电站布局方面，电动卡车充电站整合了建筑负载（暖通空调系统、照明、110 伏插座和乘用车辆充电器）、一台 100 千伏安太阳能逆变器、一套 500 千瓦时电池储能系统及其充放电逆变器。主断路器面板从三个电源获取电力：电网、太阳能逆变器和电池逆变器。太阳能逆变器是单向的，仅向建筑供电；而电网和电池储能系统逆变器是双向的，既可供电也可取电。卡车充电器为一台 350 千瓦的电动卡车充电器，实验优先考虑将多余的太阳能电力输送给电动卡车，以最大程度降低场地整体电力需求。
在微电网电力成本计算方面，电价由两个主要部分组成：需求电费（demand charge）和能量电费（energy charge）。需求电费代表整个月度内 15 分钟间隔记录的最大功率值，能量电费则是月度消耗的总能量。这些费用还受分时电价（time-of-use, TOU）影响，根据时段划分为非高峰、中高峰、高峰时段，某些季节还设有超级非高峰时段。本研究采用南加州爱迪生公司的 TOU-GS-2 费率标准，夏季（6月1日至9月30日）高峰时段为工作日下午 4 点至 9 点，冬季（10月1日至5月31日）中高峰时段为工作日下午 4 点至 9 点，超级非高峰时段为工作日上午 8 点至下午 4 点。与此同时，加州公共事业委员会自 2023 年 4 月 15 日起要求采用净计费费率（net billing tariffs）进行电力出口结算，其补偿通常低于零售电价。
调度中心微电网电动卡车充电算法是本研究的技术核心。该优化函数基于 Hasan 等人和 Fernando Enriquez-Contreras 等人的工作进行了适应性改进，目标函数最小化能量成本与需求成本之和，同时考虑能源出口补偿。当从电网取电时，正值乘以对应时段的 TOU 成本系数；向电网送电时，负值乘以净计费费率系数。约束条件包括：电池储能系统初始荷电状态（state of charge, SOC）为 50% 即 250 千瓦时，随后电池状态根据充放电功率进行更新，并遵守最低和最高 SOC 限制；电池储能系统的充放电功率受限于设备额定值；太阳能发电量等于净负载、卡车充电功率和电池充电功率之和；建筑负载等于净负载与电池放电功率之和。
本研究的主要创新体现在方程 12 至 15 中，这些方程专门适配了卡车路线调度方案。与电池储能系统在整个时段内可用且最终充电状态可变不同，卡车电池仅在路线调度器预先确定的时间段内可用。卡车电池的初始和最终充电状态必须与调度器设定的值相匹配。这种优化方法与既往工作的区别在于，允许卡车调度器确定反馈回路的部分约束条件。函数将成本值返回给调度器，调度器据此调整时间框架和充电量以进一步降低成本。
在调度方法方面，研究采用回程运输策略，将客户分为两类：需要送货的线路运输（linehaul）客户和需要取货的回程运输（backhaul）客户。每次行程中，线路运输客户应首先被访问，然后是回程运输客户，仅包含回程客户的行程不被允许。研究应用微观能耗模型估算能量消耗和等效温室气体排放。卡车车队允许在运营期间返回配送中心访问一次充电设施，配送中心配备智能电网能源分配系统以控制电网、百瓦级太阳能系统和储能系统之间的负载分配。总运营时间有限制，卡车车队应在指定时间开始运营并在规定时间前结束服务。
调度模型的目标函数包含两部分：第一部分为出发前的非高峰充电能量成本，第二部分为充电站的动态充电成本，后者是一个凸优化问题，与卡车到达时的 SOC、离开时的 SOC 以及可用充电时间窗口相关。模型约束包括：前向流和后向流的流量守恒、初始 SOC 上限限制（夜间清洁能源较少，因此初始 SOC 受限以鼓励车队日间访问充电设施）、充电访问限制为最多一次、电池容量始终为正且不超过最大容量，以及运营时间窗口约束。
协同优化框架采用基于自适应大邻域搜索（adaptive large neighborhood search, ALNS）的元启发式算法求解调度问题。该算法首先生成一个初始可行解，采用改进的贪心算法构建初始路线。然后，ALNS 算法迭代执行以寻找更优解。算法使用五种移除算子（最差移除、Shaw 移除、随机移除、路径移除和聚类移除）来部分破坏当前解，再使用三种重构算子（贪心、regret-2 和带充电站插入的贪心算子）重建新解。各算子权重根据新解质量更新，通过模拟退火算法决定是否接受新解，当达到最大迭代次数时终止。
研究以南加州圣贝纳迪诺县的实际案例进行验证，采用来自一家全服务物流公司的真实调度数据。实例包含 19 个客户，其中 14 个线路运输客户和 5 个回程运输客户。研究设计了三种场景进行对比：场景一为不纳入微电网能源分配算法的基准场景（细分为四月和八月两个季节性子场景），场景二为采用协同优化框架的场景（同样细分季节）。在所有场景中，假设卡车车队在夜间以非高峰电价部分充电，初始电池容量上限设为 100 千瓦时和 150 千瓦时两个档次。
实验结果表明，与未进行智能电网整合的基准策略相比，协同优化方法可显著降低总能源成本，尤其在四月即冬季效果更为突出。以初始电池容量上限为 100 千瓦时的场景为例，微电网能源分配算法在四月可降低总能源成本 71.09%，八月降低 7.30%。八月降幅较小的原因在于夏季其他负载（如暖通空调系统）对电网造成更大压力，卡车车队更倾向于在非高峰时段以低价大量充电。
在初始电池容量上限的对比中，较大的初始电池容量导致更低的能源消耗总成本。例如，在基准场景中，当初始电池容量上限为 100 千瓦时，总能耗为 259.95 千瓦时，比 150 千瓦时上限高出 18.78%。初始电池容量较低时，卡车车队需要在运营期间绕道充电，增加了额外消耗。值得注意的是，即便在总能耗相同的情况下，夏季的基准场景总能源成本也相对较高，这反映了夏季分时电价水平高于冬季。
优化对于降低需求成本（demand cost）这一电网重大关切问题极具成效。在未协同优化情况下，四月和八月的需求分别为 118 千瓦和 138 千瓦；而协同优化后分别降至 0 千瓦和 30 千瓦。从电网消耗的能量方面，未协同优化方案为四月 122 千瓦时和八月 162 千瓦时，协同优化后分别降至 0 千瓦时和 30 千瓦时。当日电力成本方面，未协同优化为四月 6.13 美元和八月 22 美元，协同优化后分别降至 0 美元和 4.37 美元。
在微电网功率流输出表现方面，协同优化算法优先利用太阳能为两辆卡车充电。在冬季场景中，卡车电池状态线清晰展示了卡车轮流充电的行为模式，平台期表示未充电，上升期表示正在充电。协同优化在不同卡车电池初始 SOC 条件下均表现有效，显著降低了成本和需求量。在夏季场景中，由于电力成本较高且微电网面临暖通空调系统带来的额外需求约束，调度算法仅调度了一辆卡车的运营。
相比之下，未协同优化算法由于缺乏对最优充电时长和卡车电池具体能量需求的了解，导致微电网需求更高、性能次优。在未协同优化案例中，较高的 SOC 导致了较低的需求和 SOC 成本，这一反直觉的结果进一步证明了整合卡车调度与微电网能源管理算法的必要性。
本研究提出的卡车调度算法显著增强了微电网系统的效率和灵活性。与传统方法中卡车无论能源需求或成本如何均充至满电不同，该算法精确确定每辆卡车的实际所需电量，避免了不必要的能源消耗。算法还对充电时间框架施加约束，确保卡车仅在预先确定的时段充电。这种精准化的方法实现了更有效的能源资源利用和显著的成本节约。
微电网算法能够适应卡车算法提供的调度信息，确保每辆卡车电池在指定时间框架内达到所需的荷电状态。在设计的充电时段内，微电网优先满足卡车电池需求，这可能意味着微电网电池充电暂时中止。这种优先级设置确保了卡车能源需求得到满足而不损害整体系统稳定性。
协同优化调度算法的实施展现出相较于基准场景的显著改进。随着每次优化的迭代，调度器逐步优化充电时间以契合较低的分时电价时段，从而降低能源成本。同时，算法有效管理能源需求，确保所需能量的相当部分由太阳能供电，减少对电网能源的依赖并充分利用可再生能源资源，增强了微电网系统的可持续性。协同优化方法实现了更均衡的能源分配，展示了可观的成本节约潜力，微电网对卡车调度算法的动态适应实现了两个系统间的协同关系，最大化整体效率。
本研究具有重要的科学价值和应用价值。从科学角度看，本研究首次将货运车辆调度与微电网能源管理进行集成优化，填补了该交叉领域的研究空白。所提出的反馈回路框架实现了微电网运营与区域配电网在卡车充电和调度方面的协调配合，为未来智能电网应用提供了可扩展的解决方案范本。从应用价值看，该方法能够有效降低电力成本和运输成本，提高微电网和电动卡车运营的效率，对于推动交通电气化和智能电网发展具有重要的实践指导意义。
本研究的核心亮点在于协同优化框架的创新性设计。与既往将充电设施视为独立系统的研究不同，本研究将电动卡车充电器作为微电网的有机组成部分进行建模，实现了车辆调度与微电网能源管理的深度整合。其次，研究将调度器的输出（时间框架和能量需求）作为微电网优化的动态约束条件，建立了双向反馈回路机制。这种设计使得调度算法能够根据清洁能源的可用性调整卡车到达时间，形成持续改进成本效率的闭环。
卡车调度算法能够根据微电网条件优化充电时间和能量需求，这一特性对于解决当前普遍存在于乘用电动车系统中的问题具有启示意义——现有方案依赖用户输入需求，但用户往往不能准确估计自身需求；而在卡车电动化场景中，运营商同时拥有充电设施和车辆，协同优化既是必要的，也是可行的。
研究团队计划在未来工作中着重扩展微电网能源分配算法的能力，使其能够处理动态约束集，适应不同数量卡车调度的可变场景。未来模型将纳入除能源和运输成本之外的运营成本考量。此外，团队计划引入优先级算法以应对能量可用性受限时的非最优解问题，使运营商能够根据卡车电池 SOC、能源需求紧迫性和运营排程等优先级标准选择调度哪些卡车。这些改进有望进一步提升微电网能源分配系统的效率和适应性。