考虑电动汽车和5G基站的电力-信息-交通耦合网络需求响应策略

2024-04-22祝童童

电力系统自动化 2024年7期

张巍，祝童童，苏瑾

（上海理工大学机械工程学院，上海市 200093）

0 引言

近年来，化石能源消耗带来的环境问题严重，各国为应对传统能源枯竭和全球环境恶化，纷纷推进能源转型变革，高比例新能源接入将成为电力系统的基本特征和发展形态［1］。然而，可再生能源渗透率的增加对电力系统灵活运行提出了新挑战［2］。因此，配电网需要充分利用需求侧的灵活性资源，以保证实时电力供应与需求之间的平衡。

电动汽车（EV）作为负荷侧灵活性资源，其行驶行为和充电习惯将对路网的交通流量和电网的运行状态带来一定的影响［3］。同时，随着5G 通信技术的快速发展，越来越多的5G 基站被部署［4］，为电力系统提供了更加灵活的调节能力。因此，如何充分挖掘这部分灵活性资源参与需求响应，为电网提供辅助服务支撑就显得尤为重要。目前，已有文献就其参与电网的需求侧响应进行了研究。文献［5-7］考虑了实时充电价格、充电站规模等，提出基于负荷的EV 充电优化策略；文献［8］考虑EV 接入电网后的时延问题，分析了用户响应量和响应等待时间对用户收益产生的影响。另外，有文献基于优化调度理论对电力交通网络配流模型展开研究，如在文献［9-10］提出用动态交通模型来描述用户均衡选择的交通流时空演化。这些研究为支持EV 的协调运作奠定了良好的基础，但未将通信网对EV 行为的影响纳入考虑范畴。

在5G 基站参与需求响应方面，文献［11］提出5G 基站参与需求响应所必需的关键技术；文献［12-13］综合考虑5G 基站的能耗管理及内部储能电池的灵活调度能力，提出含5G 基站的配电网多目标运行优化模型；文献［14-15］通过对5G 基站的功率调整、关闭空闲基站等降低通信网络运营成本。另外，在EV 与5G 基站协同参与电网响应方面，文献［16］分别建立了5G 基站备用电池和EV 可调度容量的实时评估模型，通过调节其充放电功率来实现与电网的互动。

同时，电力-信息-交通网络交互在汽车驾驶领域方兴未艾。“信息+交通”交互可实现EV 充电导航和路径规划［17］；“电力+信息”交互可实现电网运行状态监测，结合价格型与激励型需求响应以引导EV 有序充电［18-19］；“电力+交通”交互可实现EV 充电站的规划问题［20］；“电力+信息+交通”可以同时考虑配电网负荷的时空分布、交通路况以及用户需求，从而实现更多用户在车载终端、手机等移动设备上获取综合充电服务［21］。在电力-信息-交通耦合网络中，5G 基站和EV 两种灵活性资源呈现相互影响的态势。

考虑到多方利益分配问题，文献［22-23］提出Nash-Stackelberg-Nash 博弈框架来模拟电力和交通系统运营商的非合作互动，从不同角度出发，对交通网和配电网相互依赖关系进行了建模。区别于传统多方博弈，本文提出一种考虑EV 和5G 基站的电力-信息-交通耦合网络需求响应策略，针对EV 行驶和停靠过程制定一个两阶段优化策略，充分挖掘EV 到站前和到站后蕴含的灵活性。首先，以EV 充放电和基站通信的角度对电力-信息-交通网络耦合关系进行分析。其次，针对EV 集群和5G 基站集群的灵活性分别建模。然后，提出一种两阶段需求响应优化调度策略。最后，采用某城市交通模型作为测试算例，对本文所提模型和方法的正确性和有效性进行验证。

1 电力-信息-交通网络建模与耦合分析

电力网、交通网和信息网的耦合关系如图1 所示。在这种耦合中，电力、信息和交通系统通过充电站、5G 基站和EV 之间的耦合实现协同作用。

图1 电力-信息-交通网络耦合系统关系Fig.1 Relationship of power-cyber-transportation network coupling system

充电站作为电力网与交通网之间的耦合点，提供对EV 的充电服务。EV 的使用需要充电站来提供电力供应，而充电站的运行也依赖于可靠的电力供应。因此，电力系统的稳定性和可用性对于充电站和交通系统的正常运行至关重要。同时，EV 与电网互动（以下简称“车网互动”）（V2G）技术使EV具有源、荷双重属性，在充电电价的影响下调整其充放电行为，可减少对电网影响并提供功率支撑。

5G 基站作为电力网与信息网之间的耦合点，提供了高速、可靠的通信服务，它与电力系统的耦合主要通过供电和通信的互联。5G 基站的供电需要可靠的电力系统支持，而电力系统可通过互联网能源管理系统实现对基站能耗的监测和控制，以优化能源利用效率。同时，5G 基站提供的高速通信服务为交通系统和EV 的信息传输提供了重要基础，以V2G 技术为支撑的智能交通系统（intelligent traffic system，ITS）使得EV 与充电站、电力公司之间可以进行实时信息的共享。

EV 作为交通网与信息网之间的耦合点，具有双重角色。一方面，EV 作为移动能源储存单元，可以参与电力系统的能源调度和能源储备。同时，EV的普及和使用对交通系统产生了影响，例如，减少传统燃油车辆排放、缓解交通拥堵等。另一方面，EV可作为通信负荷，通过调整其行驶路径，实现基站的通信负荷转移，降低通信侧运行成本。

1.1 交通网建模

1.1.1 交通路网拓扑

本文采用文献［24］给出的动态路网模型进行分析，动态路网模型可表示为:

式中:R为交通路网；N为交通网中所有节点的集合，共I个节点；P为R中所有有向弧段的集合；T为时间序列集合；U为t时段各道路车流量uij，t的集合；D为道路长度的集合；dij为道路节点i、j之间的距离。

对具有I个节点的交通路网量化赋值，道路矩阵L中元素Lij的取值如式（2）所示。

式中:∞表示道路节点i、j之间不存在道路连接。

1.1.2 交通配流模型

电气化交通中通常包含两种车辆:一种是有充电需求的EV，另一种是无充电需求的EV 与燃油车。因为燃油车和无充电需求的EV 具有相同的路径选择准则，为了方便建模，这里将其统一视为无充电需求的EV。这一类车辆不受决策中心的调度控制，而是自行选择适合的行驶路径，其交通配流模型［20］可描述如下。

1）道路行驶时间和成本

在城市交通中，道路流量会影响车辆行驶时间，而道路行驶时间通常采用美国公路局（BPR）的统计函数，BPR 函数为:

式中:Tr(ϑr)和T0分别为路段r上实际行驶时间和零交通流下的自由通行时间；ϑr和Qr分别为路段r的交通流量和道路通行容量；R′为道路网中路段集合。

交通网中存在很多起讫点（origin-destination，OD）对，OD 对间车流量表示具有相同起始节点和目的地节点的路径上的总车流量。根据车辆行驶时间可以得到每个出行OD 对间车辆路径行驶成本为:

式中:Kw，ℓ为出行OD 对w间汽车行驶路径ℓ 的行驶成本；∂为时间成本系数；xw，ℓ，r为出行OD 对w间汽车行驶路径ℓ 与路段r的关联关系，当路径ℓ 经过路段r时为1，否则为0；W 为出行OD 对集合；L 为出行OD 对w间汽车行驶路径集合。

2）交通流量守恒约束

为保证交通流量守恒，每个出行OD 对间的总交通流应等于该OD 对间所有路径上的交通流之和。

式中:Fw，ℓ为出行OD 对w间汽车在路径ℓ 上的交通流；Qw为出行OD 对w间汽车的交通需求；Br为汽车在路段r上的交通流。

3）用户均衡条件

式中:“⊥”表示互补关系；βw为出行OD 对w间汽车的最小出行成本。

在这种平衡状态下，任何两个OD 对之间的可选路径的通行时间都是相等的，即所有车辆在出行时都会选择通行成本最小的路径。可见通过用户均衡建模，可以更准确地模拟交通网络中车辆的分布情况。

1.2 信息网建模

本文主要考虑V2G 模式下的5G 基站通信场景，为了应对移动数据和云数据流量的增加带来时延增加的问题，考虑每条道路部署一个5G 基站集群，基站之间通过高速链路连接，车辆通过Uu 接口（蜂窝网通信）与基站完成业务通信［25］，根据香农公式，可以计算出上传链路的传输速率vn，t为:

式中:wt为t时段的带宽需求；gn，a为EVn与基站a之间的信道增益；为t时段基站a对车辆的发射功率；σ2为无线信道的传输噪声；ξ为基站间平均干扰功率。

5G 基站的用电功耗对通信负载量的变化较为敏感，其中，动态功耗受接入车辆用户数量的影响较大，与接入车辆数量成正比［22］。根据各道路交通流量得到各5G 基站集群当前时段动态功耗为:

式中:gmax为基站集群的最大交通流量；为t时段基站集群e对单个EV 的发射功率。

1.3 电力网建模

本文采用IEEE 33 节点配电网模型，其数学模型的一般形式如下:

式中:Ny，k为节点y类型、功率、电压参数；By，b为节点y的支路连接情况、电阻和传输功率等参数集合；Sy，s为节点y位置和容量等参数集合。

进一步，充电站作为电力网与交通网的交互媒介（假设其与交通网节点i和电网节点y连接），5G基站作为电力网与通信网的交互媒介（假设其与电力网节点y和通信网节点q连接），则在t时段电力网节点y的总负荷Py，t可表示为:

综上所述，电力网是交通网、信息网的动力来源；交通网是电力网的重要负荷，是信息网的重要用户；信息网是电力网和交通网高效稳定运行的通信基础。

2 EV 集群和基站集群灵活性分析

2.1 EV 集群充放电模型

在对EV 调度之前，需建立EV 的可调度容量评估模型，即需量化EV 在满足用户需求的前提下每个调度时段可以参与电网调度的容量。以锂电池为对象，忽略电池自放电过程并近似认为在每个优化时段内保持充放电功率恒定，可得到单辆EV 的充放电模型如式（12）和式（13）所示。

EV 的个体储能容量有限，并且当大规模EV 并网时，会引入大量的变量，增加计算压力。此外，EV个体的负荷预测存在较大的随机性，无法满足配电网的灵活调度需求。因此，构建EV 集群模型对于实现EV 的灵活调度具有重要意义。

本文采用文献［26］所提模型，将所有EV 个体的多维决策变量映射成单维决策变量，得到EV 集群荷储可调度能力，其模型如式（14）所示。

EV 集群荷储可调度能力模型具有较强的充放电灵活性，随着集群内EV 数量的增加，可调度能力模型呈现更高的准确性和规律性。因此，可以利用该模型结合历史数据来预测EV 集群的可调度能力。

2.2 5G 基站运行特性建模

5G 基站设备的功耗可分为静态功耗和动态功耗两部分［27］。静态功耗与接入用户数量无关，主要由电源系统、基带单元（base band unit，BBU）信号处理和冷却系统的固定功耗组成。根据实验发现，基站设备的功耗可以近似用线性模型表示为:

结合式（9）可以得到基站集群的功耗为:

式（16）表明基站的功耗会随着车流量的变化而变化，在价格型需求响应的激励下，5G 基站在规定时间段内通过调整电力需求向系统提供向上和向下灵活性。与2.1 节中EV 灵活性类似，依据连接不同的配电网节点将基站划分的不同集群进行统一调度，表达式如下:

3 两阶段需求响应优化调度模型

针对电力-信息-交通网络耦合下需求响应调度问题，提出一种基于灵活性资源两阶段优化调度策略。两阶段优化调度模型结构见附录A 图A1。

3.1 基于EV 路径规划的5G 基站集群运行优化

需求响应主要通过电价或激励信号改变用户电力消费模式，可实现用电优化，缓解配电网运行压力。V2G 技术的发展使得EV 成为5G 基站的重要负荷，第1 阶段模型根据各基站集群当前电价，对参与响应的EV 进行充放电路径规划，在得到调控后的车流量后，对各基站集群进行功率调整完成需求响应优化。

3.1.1 EV 路径规划与充电导航

1）目标函数

EV 用户从初始节点出发，通过待选路径到达目标充电站节点，EV 行驶途中与不同电网节点的5G 基站连接，产生不同的通信成本，决策中心提供以EV 出行总成本最小为目标的路径选择和充电导航策略，即

其中，基站的用电电价为考虑负荷波动的动态分时电价，可通过为不同电网节点提供动态电价来实现基站的需求响应，Ce，t定义如下:

2）约束条件

（1）路径选择约束。在EV 行驶路径选择中，初始节点Or必须存在出发的车辆，目标节点De必须存在到达的车辆，中间节点到达和离开的EV 数量相同。因此，路径选择约束的数学表达式为:

式中:Ψa为被访问的道路节点集合；Φa为被访问的充电站节点集合。

（2）到达时间约束。为保证所推荐路径及目标充电站满足EV 用户到站时间要求，到达时间约束可表示为:

式中:tn为EVn出发时间为EVn期望到站时间；vij为EVn在道路ij上的行驶速度。

（3）电池容量约束。参与响应的EV 按照规划后的路径前往所推荐的充电站，电池电量需要满足:

充电导航模型为EV 用户提供了何时、何地以及到达充电站后的SOC，从而可以得到当前调度时段EV 集群的可调度能力。

3.1.2 5G 基站集群运行优化

1）目标函数

该阶段需求响应优化模型以信息网购电成本最小化为目标，其优化变量为基站集群各时段功率:

式中:T0为调度总时段数；E0为基站集群总数。

2）约束条件

（1）能量约束见2.2 节式（15）。

（2）通信流量约束。假设在调度时段t基站的带宽资源在连接的EV 之间平均分配。分配给单个EV 的带宽用B表示。每个EV 只能从其所连接的基站接收带宽资源，基站分配给所有连接EV 的总带宽不能超过该基站的总带宽，如式（25）和式（26）所示:

式中:gt为t时段连接的EV 数；为基站可提供的最大带宽。

结合式（8），基站对EV 传输的流量可表示为:

3.2 基于EV 集群充放电的配电网运行优化

第2 阶段模型在EV 到站后，用户将当前SOC、期望离网时间和期望离网电量上传，决策中心将各基站集群功耗与该时段基础负荷叠加，以最小化负荷均方差为目标，制定EV 集群充放电策略。

1）目标函数

各基站集群将区域可响应量上传至配电网进行优化，在每个时段调度开始前，电网更新当日基础负荷预测数据和EV 无序充电数据。每个调度时段开始时刻更新EV 数据，包括EV 期望电量与期望离网时间，对每个时间段可调度EV 进行优化，进而实现削峰填谷。其优化变量为EV 集群充放电功率，电网侧目标函数为最小化负荷方差:

式中:Pload，t为t时段基础负荷；为t时段基站集群e的负荷数据；pm，t为EV 集群m在t时段的充放电功率；Pav为平均负荷；NV2G为参与响应的EV 集群总数。

2）约束条件

约束条件见2.1 节式（12）和式（13）。

3.3 EV 用户参与调度效益

为了保证EV 用户能够响应决策中心的调度需求，必须考虑用户参与响应的补贴机制。电价是引导EV 有序充电的重要手段，同时决策中心应该对参与路径规划的EV 发放额外的补贴激励。

综合EV 用户充电成本，EVn参与有序调度的总收益Ee，n为:

式中:Ea，n为EVn参与调度的补贴费用；Es，n为EVn放电的收益；Ec，n为EVn的充电成本；Er，n为EVn的行驶成本。

4 算例分析

4.1 仿真数据

本文采用附录A 图A2 所示某城市简化后路网结合IEEE 33 节点配电系统对上述模型进行算例分析。该交通网络［30］面积约为35 km2，包含37 个交通节点、66 条主干道，道路平均长度为3.61 km，具体数据见附录B 表B1。根据EV 出行规律和城市建设，设置5 个充电站，充电站对应配电网节点见附录A 图A3。仿真调度时长为12 h。在09:00—21:00时段，每15 min 调度指令下发一次，共48 个调度时段，调度时刻为调度时段的起始时刻。假设区域内车辆总数为10 000 辆，根据电池状态分布，确定2 850 辆EV 参与需求响应计划，占车辆总数的28.5%。采用蒙特卡洛法模拟得到车辆起始点和终点，当EV 用户参与电网调度并离开电网时，期望SOC 最小为0.7；电池容量为64 kW·h，最大充放电功率均为10 kW，充放电效率为0.9。EV 发动机每100 km 消耗15 kW·h，EV 出发时的初始SOC均匀分布在0.3～0.8 之间，参与放电的补贴为0.5 元/（kW·h）。单个5G 基站静态功耗为2.3 kW，能效系数为2.857 1［31］，其最大动态功耗为1 kW。5G 基站设备的工作带宽为100 MHz；噪声功率为1 nW。此外，对算例说明如下:

1）考虑到城市路网连接的复杂性，为简化计算难度和减少仿真时间，算例仅考虑了路网主要干道的拓扑结构。

2）交通节点、基站集群和配电网节点在地理上耦合，对应关系见附录B 表B2。

3）采用MATLAB 和YALMIP 建模工具包及GUROBI 求解器进行求解。

4.2 仿真结果分析

不参与调度的车辆由交通配流模型仿真得到，交通流量结果见附录B 图B1。各时段出行的EV 数量如附录B 图B2 所示，其中，充放电需求分布高峰期出现在17:00—19:00 时段。

4.2.1 EV 充电导航路径分析

为描述基于需求响应的EV 充电导航和路径规划，选取编号为27、252、585 的EV 进行路径分析，起始点分布为14、9、17，出行时刻分别为10:45、14:00、19:45。仿真结果如附录B 表B3 所示，充电站选择和路径选择如图2 所示。图中:绿色线条为不考虑参与需求响应时利用Dijkstra 算法模拟EV用户选择最短路径前往距离最近充电站的路径行驶；红色线条为本文调度方式下为EV 用户规划的行驶路径。

图2 EV 在不同模式下的充电站与路径选择Fig.2 Charging station and route selection of EV in different modes

从附录B 表B3 和图2 可以看出，在考虑最近的充电站时，EV27 会选择行驶距离为8.6 km 的路径，而本文推荐的行驶路径的行驶距离为11.2 km。同样地，EV252 在考虑最近距离时，选择行驶距离为10.3 km 的充电站35，但在考虑了充电站规模设施、综合距离下的路径以及通信产生的成本等因素后，选择24 号充电站，行驶距离为12.3 km。考虑最短行驶距离时，EV585 会选择行驶距离为1 km 的充电站19，而在本文推荐的方案下，选择充电站16，行驶距离为2.3 km。

附录B 图B3 所示为出行驶路径发生改变的945 辆EV 在前往最近充电站的最短路径和本文推荐的最优路径下的行驶时间分布。附录B 表B4 所示为2 850 辆EV 在最短路径和推荐路径下的总行驶距离和总行驶时间。值得注意的是，本文推荐的路径相对于最短路径可能会增加EV 的行驶距离，但考虑到在5G 基站实时电价的影响下，通过EV 行驶路径的转移可以降低通信总成本。

4.2.2 基站集群运行优化

充电导航包含目标充电站选择和路径选择两部分，结合本文所提的调控策略对EV 的目标充电站以及行驶路径进行引导，为了验证本文所提策略的有效性，将本文充电导航与两种不同行驶模式进行对比。

模式1:EV 用户通过最短路径无序（随机选择目标充电站）前往充电站。

模式2:EV 用户通过最短路径前往距离最近的充电站。

模式3:EV 用户在本文路径导航下前往充电站。

3 种模式下道路车流量结果见附录B 图B4。图3 所示为3 种场景下各基站每个时段功率变化情况。结合附录B 图B4 和图3 可以看出，随着道路车流量的升高，基站的功耗也随之增加。

图3 基站集群功率变化情况Fig.3 Power changes of base station cluster

基站总成本、总耗电量、动态功耗对应成本及耗电量如附录B 表B5 所示。EV 无序充电模式下基站购电成本为5 097.27 元，调控优化后购电成本减少至4 685.21 元，基站动态功耗从3 213.54 kW·h 减少到1 851.32 kW·h。图3 直观地呈现了不同模式下各基站负荷变化情况，与模式1 下基站负荷（图3（a））相比，基站31、55、56、60～65 等的通信负荷在调控时段有所降低，对应的区域颜色由深变浅。图3（c）与图3（b）相比，总体功耗变化不大，其中部分基站功率发生变化，例如，基站33 在时段17～19 功率有所下降，基站43 在时段17～19 功率有所上升。

为了更好地分析基站负荷的变化情况，附录B图B5 所示为基站1、9、15、25、35、44、55、65 在调度时段内的通信负荷变化情况，图B6 所示为所选基站对应位置与通信范围。结果表明，在本文所提调度模式下，各基站由于节点分时电价的影响，从而使各道路车流量发生变化，基站功耗在某些时段也随之发生改变。其中，基站1 由于在城市区域边界同时道路距离长，在调度前无车辆走过，但在调度后，道路节点1、12 的车辆会产生分流，使基站1 功耗增加；基站25、35、44、55 在调度前均有超过一半的时间处于功率满发状态，而调度可为处于这些节点的EV 提供其他路径，从而降低基站功耗和通信成本。

与无序充电策略相比，采用本文提出的调度策略可以大幅度降低基站功耗；与模式2 相比，本文方法可以调整道路交通流量，降低基站购电成本，通过对EV 到站前的路径调整，可以实现基站运营商和电网的双赢，验证了所提机制的有效性和优越性。

4.2.3 配电网负荷优化

调度前后电网负荷变化情况如图4 所示。本节采用最大峰谷差百分比Dpv来衡量负荷曲线的峰谷差水平，如表1 所示，具体计算公式如下:

表1 最大峰谷差百分比Table 1 Maximum peak-to-valley difference percentage

图4 调度模型优化效果Fig.4 Optimization effect of scheduling model

式中:ymax表示负荷曲线最大值；ymin表示负荷曲线最小值。

结合图4 和表1 可以看出，叠加基站负荷后负荷峰谷差从50.7%降低到49.4%，聚合商对EV 用户进行充放电调度后，负荷峰值从30 574 kW 减少到27 833 kW，峰谷差也从50.7%降低到38.4%。本文调度方法很好地改善了系统的运行状况，使负荷峰谷差减小了12.3%，实现了削峰填谷的效果。

4.2.4 配电网潮流分析

EV 和5G 基站负荷的时空分布特性可用于评估不同策略对配电系统运行的影响。本节以配电网节点功率为例，评估所提优化调度策略下负荷时空分布特性对配电系统的影响，图5 展示了在考虑基础负荷（图5（a））和计及基站、EV 无序充电和基础负荷（图5（b））以及计及基站、EV 有序充放电和基础负荷（图5（c））3 个场景下的配电网功率潮流分布。

图5 配电网功率潮流分布Fig.5 Power flow distribution in distribution network

由图5 可以看出，配电网初始负荷集中在节点8和25，在EV 无序充电情况下，充电站所在配电网节点负荷增加，节点19 的充电站负荷增加情况最为严重，在负荷晚高峰时段（19:00—20:00）达到峰值。图5（c）直观地反映了充电站调度后的负荷升高或降低情况，充电站24 所在节点19 处负荷通过EV 的充电导航和有序充放电实现了负荷转移和均衡。各充电站所在节点在充电负荷高峰期均得到降低，在10:00—11:00 时段，负荷有所提高，与图4 所示电网负荷调度结果吻合。

经过有序调控后，配电网潮流分布在高峰处被分流，低谷处被填充，与无序充电下的负荷结果相比，有序调控后配电网功率潮流分布曲线相对平缓，对配电网的安全稳定运行起到一定的保障作用。

4.2.5 充电导航对EV 用户收益的影响

为了分析参与响应的EV 用户在不同决策下成本和收益情况，将本文提出的全局优化模式与两种不同的EV 用户行驶方式进行对比。

场景1:EV 用户选择最短路径前往充电站。

场景2:EV 用户选择出行成本最小路径前往充电站。

场景3:EV 用户选择本文所提路径优化方式前往充电站。

取时间成本系数λ=15 元/h［25］，参与调度的补贴费用Ea，n=10 元，分析不同场景下参与响应的EV用户出行成本及收益影响，结果见附录B 表B6。

由附录B 表B6 可知，用户在选择最短路径前往充电站时，有限的充电站容量使得充电排队等候时间最长，同时也使得用户出行成本最大。当EV 用户优先考虑最小化出行成本时，会开始考虑排队等候时间的影响，以此最小化整体出行成本。场景1、2 中用户补偿收益为0，这是因为用户均按照自己意愿前往充电，决策中心无须对用户进行补偿。当EV 用户选择本文所提路径优化方式前往充电站时，在全局考虑的影响下，充电排队等候时间相较最短路径方式有所减少，而路径行驶时间正如4.2.1 节所述一致，会增加EV 的行驶距离及行驶时间，但在补偿机制下，用户收益远比行驶成本大。因此，EV用户会更倾向于选择本文优化的充电导航路径。