中国未来电动汽车超快充电站——充电行为、电网影响与解决方案、升级成本

Engineering ›› 2025, Vol. 48 ›› Issue (5) : 326 -340. DOI: 10.1016/j.eng.2025.01.015

研究论文

赵洋 ^a^,^b ,
陈新宇 ^a ,
刘鹏 ^c ,
Chris P. Nielsen ^b ,
Michael B. McElroy ^b^,^d

作者信息 +

Future Ultrafast Charging Stations for Electric Vehicles in China: Charging Patterns, Grid Impacts and Solutions, and Upgrade Costs

Yang Zhao ^a^,^b ,
Xinyu Chen ^a^,^* ,
Peng Liu ^c ,
Chris P. Nielsen ^b ,
Michael B. McElroy ^b^,^d^,^* ,

Author information +

文章历史 +

Received	Accepted	Published
2024-07-29	2025-01-15
Issue Date
2025-03-20

PDF (5390K)

摘要

中国电动汽车快充功率在过去五年内已增长四倍，正逐步迈向10 min的超快充时代。超快充技术的快速发展可以显著提升电动汽车用户的出行便利和使用体验，但同时也对电网峰值功率需求和电力基础设施升级提出了挑战。本研究构建了一套综合评估模型，结合车辆充电行为与充电站运行优化，从充电行为特征、电网负荷影响、配套充电站升级投资三个维度，对现有快充站与未来超快充站开展了系统性研究。研究发现，对于配备12个及以上充电桩的大型充电站，当快充功率翻倍时，其峰值功率增幅不到30%，这主要是因为高功率缩短了充电时间，用户充电时段重叠的概率降低，缓解了高充电功率叠加导致的高峰值负荷。对于更常见的充电站（如8~9台充电桩，单桩功率为120 kW），在允许平均约1 min动态排队策略的前提下，将充电桩功率升级至350~550 kW可将平均充电时间缩短至约9 min。在充电站升级投资方面，研究发现充电站通过部署电池储能系统和（或）扩容变压器，都可以有效应对未来充电负荷增长，但前者的初始设备成本约为后者的4倍。本研究结果为未来充电基础设施规划、电动车与电网交互机制设计以及相关政策制定提供了参考依据。

Abstract

In China, electric vehicle (EV) fast-charging power has quadrupled in the past five years, progressing toward 10-minute ultrafast charging. This rapid increase raises concerns about the impact on the power grid including increased peak power demand and the need for substantial upgrades to power infrastructure. Here, we introduce an integrated model to assess fast and ultrafast charging impacts for representative charging stations in China, combining real-world charging patterns and detailed station optimization models. We find that larger stations with 12 or more chargers experience modest peak power increases of less than 30% when fast-charging power is doubled, primarily because shorter charging sessions are less likely to overlap. For more typical stations (e.g., 8–9 chargers and 120 kW·charger⁻¹), upgrading chargers to 350–550 kW while allowing managed dynamic waiting strategies (of ∼1 minute) can reduce overall charging times to ∼9 minutes. At stations, deploying battery storage and/or expanding transformers can help manage future increases in station loads, yet the primary device cost of the former is ∼4 times higher than that of the latter. Our results offer insights for charging infrastructure planning, EV–grid interactions, and associated policymaking.

关键词

电动汽车 / 超级快充 / 电网影响 / 充电设施 / 升级成本

Key words

Electric vehicle / Ultrafast charging / Grid impact / Charging infrastructure / Upgrade cost

引用本文

引用格式 ▾

赵洋,陈新宇,刘鹏,Chris P. Nielsen,Michael B. McElroy. 中国未来电动汽车超快充电站——充电行为、电网影响与解决方案、升级成本[J]. 工程（英文）, 2025, 48(5): 326-340 DOI:10.1016/j.eng.2025.01.015

登录浏览全文

4963

注册一个新账户忘记密码

1 引言

2023年，全球电动汽车（EV）保有量突破4000万辆[1]。过去4年，全球EV年销量呈近指数级增长：2020年为300万辆，2021年达到660万辆，2022年增至1050万辆，2023年进一步攀升至1400万辆[1‒4]。根据最新预测，为实现现有政策规划，2035年全球EV保有量需增至5.25亿辆[1]。在全球各地区中，中国拥有全球规模最大的EV市场。2023年，中国EV（含纯电动汽车和插电式混合动力汽车）保有量超过2100万辆[1]，占当年全球EV总量的一半以上。EV在碳中和战略中发挥关键作用，未来将持续保持快速增长态势，同时其灵活的用电需求有望助力电网消纳波动性可再生能源发电[5]。

EV的广泛普及给充电基础设施带来挑战。为缓解充电便利性压力，截至2024年9月，中国已建成充电基础设施1140万个（含公共充电桩330万个），实现约每2.5辆EV对应一个充电桩的覆盖水平[6]。近年来EV充电功率大幅提升。充电功率与充电设施数量的双重增长，可能会给区域电力系统带来挑战。在此背景下，随着充电功率的提升，亟须深入研究EV用户行为与充电站运行之间的交互机制和对电网产生的相关影响，以及潜在解决方案的成本效益。

传统EV快充指功率30 kW及以上的直流（DC）充电，目前已得到广泛应用。超快充（又称极速快充）是快充的一种，尚无统一标准定义，通常指充电速率堪比燃油车加油、充电时间不超过10 min的充电方式[7‒8]。EV超快充的实现主要依赖两大因素：车辆能否承受高倍率充电电流，以及充电设施能否提供高功率输入。对于电池技术而言，超快充相关研究早于其在量产车型中的实际应用[9]。当前快充电池的主要技术瓶颈在于电解液传输性能不足和正极材料颗粒开裂[8]。一次10 min超快充通常需要充电倍率达到或高于6C（C倍率是衡量电池充放电速率的标准指标，其值为电池充放电电流与电池额定容量的比值）。目前该领域已取得显著进展：例如，Lu等[10]设计了一种新型石墨负极结构的锂离子电池，可在6 min内（6C充电倍率）将荷电状态（state of charge, SOC）提升60%；Ye和Li [11]提出一种固态电池设计，该设计采用锂金属负极、NMC811正极和多层固态电解质，在20C充电倍率下循环10 000次后仍能保持82%的初始容量。在EV市场需求驱动下，快充技术持续快速发展。在车辆端，过去5年中国在售EV的快充功率已从30~120 kW提升至60~480 kW，增幅达3倍[12‒14]。特斯拉Model 3等车型的快充功率达250 kW（Supercharger V3），并计划进一步升级至500 kW [15‒16]；保时捷Taycan的最大快充功率达270 kW，93 kW·h电池可在19 min内从10% SOC充至80% SOC [17]；广汽埃安EV部分车型提供6C快充选项，最大功率为480 kW，5 min内可将电池SOC从30%充至80% [18]。车辆端充电研究还聚焦于电池管理系统（battery management system, BMS），该系统负责监控与调控电池运行状态，包括快充协议[19‒20]和热管理[21‒22]等核心内容。在设施端，充电桩需在EV充电过程中提供BMS所需的动态电压和电流。在中国，当前主流直流快充桩通常接入380~480 V三相交流电源，输出直流电压范围为200~1000 V [23]。为提升功率并减轻线缆重量，EV电池电压已从400 V提升至800 V [24]。基于高压协议，目前已部署的直流超快充桩最大功率可达600 kW [25]。尽管近年来EV超快充技术发展迅猛，但尚未广泛普及配套的快充充电站。

推广EV超快充站仍面临多重挑战：一是多台超快充桩同时运行易产生兆瓦级峰值功率需求，给电力基础设施造成巨大压力；二是超快充站升级改造投资成本高；三是超快充技术的快速发展可能导致充电站重复升级。现有研究已为应对这些挑战做出了重要贡献：Ahmad等[26]提出将超快充基础设施直接接入中压电网，可缓解低压配电网的脆弱性；Meyer和Wang [27]指出，优化超快充站的科学选址和合理的容量规划对减轻电力基础设施负面影响至关重要；Fang等[28]设计了快充共享系统的动态定价方案，以缓解快充站短缺问题。此外，部分研究还将EV超快充与智慧城市[27]、光伏与储能[29‒30]、微网调度[31‒32]等热点议题相结合。但当前研究仍存在不足：一是实际数据应用有限，多数研究依赖指定参数的宏观模拟而非真实EV使用行为数据，可能导致结果存在偏差，实用性受限；二是EV充电功率与站点峰值负荷的关系尚不明确，对充电功率提升如何影响充电站整体峰值负荷的理解不足，这给精准预测电网影响带来困难；三是缺乏不同升级策略的对比分析，亟需更多研究比较不同充电站升级策略以应对功率需求增长，为决策提供支撑。

本研究针对这些研究缺口，全面评估中国EV快充和超快充对充电站的影响。我们利用北京代表性快充站的真实充电数据，分析充电行为模式，包括站点类型（居民区、商业区、购物中心等）、各站点充电桩数量、站点功率负荷、车辆到达时的SOC、充电时长、站点占用率等。在此基础上，我们设计了反映技术进步的多种场景，进而探究不同站点规模和位置下EV充电功率与站点峰值负荷的关系。针对未来电力容量不足的充电站，我们研究了两种通用解决方案（充电动态排队和储能技术应用）对负荷增长的调控效果，并探讨了快充站升级支持超快充的不同策略的成本。研究发现，EV充电功率提升对站点整体峰值负荷增长的影响有限，因为更快的充电速率可降低充电时段重叠概率；仅需数分钟的动态排队或应用高功率容量比的储能系统，即可有效应对站点负荷激增；在电网容量充足的情况下，扩容变压器相比部署储能系统可在实现类似效果的同时显著降低成本。本文提出的解决方案可有效应对电网容量不足这一更为普遍且具有挑战性的场景，相关方法和结果可为充电基础设施规划、电网影响评估、先进储能技术应用及相关政策制定提供参考。

2 模型与场景

图1展示了一个面向EV超快充研究的整体性数据驱动框架，主要包含四个部分：数据、行为特征（充电特征）、解决方案和投资成本。EV充电活动的真实数据来自新能源汽车国家大数据联盟（NDANEV）开放实验室。本研究采用了北京10个辖区充电站的真实EV充电数据，涵盖超过1.5万辆EV。数据详情及预处理工具的说明见附录A中的第S1节。在行为特征研究方面，首先通过特定充电站的EV充电活动分析现有快充站的动态运行状态。分析内容包括车辆层面参数（如充电功率、充电起止时间、SOC、车型）和充电站层面参数[如站点负荷、同时充电车辆数（number of concurrent charging EVs, NOC）]的分布规律。随后，结合设计的场景和提取的真实车辆到达模式，模拟未来EV和充电站的运行活动，并基于真实充电行为数据和上述模拟结果，统计分析未来超快充站的运行状态。解决方案部分聚焦于通用方案，旨在帮助电力容量不足的现有充电站满足未来超快充需求，重点评估了两种方案：动态排队策略和储能系统部署。其中，动态排队策略通过延迟部分充电时段以减少或消除时段重叠，实现削峰效果；储能系统则利用电池缓冲大功率峰值，降低站点峰值负荷。关于未来升级改造成本，本文对比并探讨了不同充电站升级策略的投资成本差异。

需要说明的是，尽管本研究采用了真实充电行为模式，但不同地理区域的未来充电行为仍存在不确定性，充电习惯可能受地方政策、成本、基础设施可及性和气候条件影响。为此，本研究通过分析城市内不同功能区、一个月内不同日期的行为差异，提升了样本的代表性，并检验了结果对多种技术趋势及气候条件导致充电功率下降的敏感性。但将这些研究结果推广到农村、高速公路沿线等人口密度较低的地区时，仍需谨慎。

2.1 电动汽车未来快充和超快充场景设定及仿真模拟

为探究未来EV超快充的使用模式，研究首先明确了适用于当前及未来EV的性能参数与充电特性的场景。表1列出了7类场景，涵盖技术预期实现年份、充电功率、电池容量、20%~80%电量充电时长以及EV的预估实际续航里程。场景中的各项参数制定参考了最新研究文献和行业技术发展趋势，并结合了未来10年内实现10 min快充的技术目标（详见附录A中的第S2节）。其中，场景S1用于反映当前在售EV的实际情况，场景S2则对应当前前沿的先进EV技术水平。需说明的是，目前并非所有EV的快充功率均能达到120 kW，几年前售出的EV，其快充功率通常仅为50~100 kW。场景S3~S5围绕未来10年内多数EV将实现10 min快充这一预期设计，模拟该阶段的技术发展趋势；场景S6和S7则进一步假设EV领域将出现更快速的技术突破。

在快充与超快充仿真模拟过程中，研究结合真实充电数据模式与各类场景下的指定参数，生成了充电站的全新EV充电记录。本次模拟采用EV实际到站规律（即充电起始时间）与EV到站初始剩余电量分布数据，模拟充电站的实际运行特征。表1汇总了未来EV的各项性能指标，包括功率与能量方面的核心性能参数。由于EV充电末期的补能耗时过长，为契合超快充站缩短充电时长的核心目标，本次模拟将充电终止电量初始设定为80%。通过特定的仿真流程运算，研究最终获取了包含充电起止时间、充电功率、充入电量及充放电起止电量在内的全新充电记录。仿真模拟的具体流程以及充电站负荷和所需充电桩数量的核算方法，将在后续章节及附录A中的第S2节阐述。

2.2 电动汽车充电行为分析的特征提取

本研究借助EV充电行为记录，筛选出能够反映其充电行为的相关特征。为开展充电行为研究，重点聚焦充电起止时间、充电地点、车辆电池状态及车辆类型。输入数据以第d天的日充电行为矩阵 X^d 的形式呈现，该矩阵包含N^d 条充电记录，每条记录涵盖K项特征，具体形式如下：

X d = x 1 d ⋮ x N d d = x 1,1 d ⋯ x 1, K d ⋮ ⋱ ⋮ x N d, 1 d ⋯ x N d, K d

（1）

通过将矩阵

X d

与一个

N d × 1

的向量

z f = 1

相乘提取得到所有第

f

项特征的向量

F d

，该单位向量仅第f位取值为1，其余位置均为0。提取后的特征可依据具体研究目标进一步过滤、聚合或运算，其计算公式如下：

F d = X d z f = 1 = x 1,1 d ⋯ x 1, K d ⋮ ⋱ ⋮ x N d, 1 d ⋯ x N d, K d 0 ⋮ 1 ⋮ 0

（2）

充电站特征（如充电站负荷）需通过聚合与运算生成。例如，第d天t时刻的充电站负荷

L t d

的计算方式为，累加该时刻所有非零的单台电动汽车充电功率

p i d

（单位：kW）。此处的时间t为离散值，时间分辨率为1 min，取值范围为0~1440（对应一天24 h）。充电站负荷的具体计算公式如下：

L t d = ∑ i ∈ I t d p i d = ∑ i = 1 N d η p i d, t

（3）

式中，

I t d

代表第d天t时刻充电功率非零的充电记录索引集合；

η

为判别函数，仅当相关充电功率在

t

时刻大于零时返回

p i d

。充电站在t时刻的充电桩数量，可采用相同方法计算得出。

2.3 电动汽车充电功率提升的影响

充电功率提升不仅能缩短充电时长，还会增加充电站负荷。本节从两方面分析充电功率提升带来的影响：一是当前电池技术下，充电末期（通常为最后20%电量）无法维持与充电初期相同的高功率，需结合真实充电数据，探究该限制在功率提升场景下对充电功率和时长的统计影响；二是尽管充电站单桩功率会随车辆充电功率提升而增加，但充电时长缩短会降低充电时段重叠概率，进而抑制峰值负荷上升，需综合分析功率提升对充电站整体负荷的最终影响。

我们对比了“有无充电末期限制”两种情况下，车辆的平均充电功率（

P c h g a v g

）和平均充电时长（

T c h g a v g

）的变化规律。其中，P_chg为单台车辆充电功率（单位：kW），C_ra为充电功率提升比（即提升后功率与原功率的比值）。例如，C_ra = 2表示无末期限制时充电功率翻倍。平均充电功率的计算公式如下：

P c h g a v g = 1 N c h g ∑ i = 1 N c h g p i a v g = 1 N c h g ∑ i = 1 N c h g 1 N v s i ∑ w = 1 N v s i φ p w i, ε w i, C r a, S f i

（4）

式中，N_chg为充电记录总数；

p i a v g

为第i条充电记录的修正后平均功率；

N v s i

为第i条充电记录的离散时间状态数；

p w i

、

ε w i

分别为第w个状态的瞬时充电功率和电池能量状态；φ为修正函数，根据功率提升比、约束类型和电池能量状态输出修正后的充电功率；S_fi为充电末期（定义为SOC变化的最后20%阶段）限制类型，包含三种约束情况：无约束末端、约束末端、终止末端（即提前终止充电），详见第4节。

针对第i条充电记录，

p ¯ i n c o n s

、

p ¯ i c o n s

、

p ¯ i d r o p

分别表示充电末期（SOC > 80%）三种限制状态（无约束、约束、终止末端）下的平均功率，计算公式如下：

p ¯ i n c o n s p ¯ i c o n s p ¯ i d r o p = 1 t 1 i + t 2 i ∫ 0 t 1 i C r a p i p h 1 t d t + ∫ t 1 i t 1 i + t 2 i C r a p i p h 2 t d t 1 t 1 i + t 2 i ∫ 0 t 1 i C r a p i p h 1 t d t + ∫ t 1 i t 1 i + t 2 i ψ p C r a p i p h 2 t d t 1 t 1 i ∫ 0 t 1 i C r a p i p h 1 t d t

（5）

式中，

p i p h 1 (t)

、

p i p h 2 (t)

分别为阶段1（SOC < 80%）和阶段2（SOC > 80%，即充电末期）在时刻t的瞬时充电功率；

t 1 i

、

t 2 i

分别为两阶段的持续时长；ψ_p 为功率限制函数，可将充电功率控制在设定阈值以下。

平均充电时长（

T c h g a v g

，单位：h）通过第i条记录的充入电量（

e i c h g

）与平均充电功率（

p i a v g

）的比值计算，即

T c h g a v g = 1 N c h g ∑ i = 1 N c h g e i c h g p i a v g

(6)

2.4 充电站功率容量约束条件

本节分析了现有快充站满足EV超快充需求的能力，定义并采用了能反映现有充电站功率上限的约束条件。2023年，现有EV的快充功率通常在50~150 kW范围内，仅有少数车型超过200 kW。但超快充的目标是在10 min内将20% SOC充至80% SOC，因此根据电池容量和车型不同，超快充功率需达到350~750 kW。为体现现有充电站的功率限制，表2汇总了充电站总充电功率的约束条件。在中国，现有充电站充电桩的平均功率约为60 kW，新建站点可达120 kW。基于此，分析中采用两类约束条件，充电站总充电功率上限通过“充电桩数量×单桩功率上限”计算。例如，若某充电站有20个可用充电桩，约束1（C1）下总功率上限为1200 kW，约束2（C2）下为2400 kW。

2.5 应对充电站功率容量不足的通用解决方案

针对充电站总功率容量不足的问题，本文采用两类适用于各类充电站的通用解决方案：动态排队策略和储能部署。动态排队策略基于全过程监控与动态控制实现，核心步骤如下：①新到站车辆按到达顺序进入排队队列；②根据站点当前负荷状态和最大负荷约束，依次判断队列中车辆的充电就绪状态。任何可能导致负荷超过约束上限的充电会话将被延迟，从而确保负荷曲线始终低于站点上限。储能系统的动态控制主要包括以下步骤：①实时监测充电站和储能系统的运行状态；②识别站点的高功率时段（负荷超过约束上限）和低功率时段（负荷低于约束上限），使储能系统分别处于放电和充电待命状态；③根据站点负荷状态、负荷约束及储能系统的能量/功率状态，决定储能系统是否运行。高功率充电需求将通过电网供电与储能系统放电协同满足。储能参数的优化将在下一节阐述，两类通用解决方案的详细流程见附录A中的第S3节。

2.6 储能系统参数优化

为在保障充电系统整体功能的同时提升成本效益，需对储能系统参数进行优化。储能系统参数包括最大能量容量、最大充放电功率及最小运行能量。在满足削峰需求的前提下，降低储能容量有助于节省投资成本。因此，参数优化的目标是最小化储能系统的最大部署能量，同时满足系统正常运行的约束条件。最优能量容量

E^s t o p t

（单位：kW·h）的计算公式如下：

E^s t o p t = m i n i m i z e χ L p r o v, E s t m a x, R s t, P s t g a t e, E m i n r t

(7)

式中， L^prov为需向EV提供的充电站功率数组；

E s t m a x

为储能系统的最大能量数组；R_st为储能系统的最大充放电速率；

P s t g a t e

为决定储能系统是否运行的功率阈值，其值等于充电站的功率约束值；

E m i n r t

为储能系统运行时的最小可用能量；χ为识别储能系统最大储能能量值的函数。

3 快充站的电动汽车充电特征

本节研究中国现有及未来多个典型快充站的充电特征。为明确典型快充站的动态功率需求，首先分析位于不同城市功能区（居民区、商业区、购物中心、工业区及机场）的5个快充站的真实负荷与NOC曲线。随后，通过统计分析不同充电站的EV充电活动，揭示充电行为模式。为探究未来超快充站的充电模式，基于现有真实充电偏好模拟超快充活动，并在多种场景下展开研究。

3.1 现有快充站的负荷与并发充电车辆数曲线

图2展示了5个不同规模、不同位置的代表性快充站的日负荷曲线、每日NOC曲线、充电车型比例及充电时长分布。这5个充电站分别位于上述5类功能区。每条充电记录均区分车辆类型，涵盖4类：私家车、公共用车（如出租车、企业用车、租赁车）。5个充电站的负荷曲线形态存在差异，通常由到达时间分布、充电功率和充电时长共同决定。图2（b）、（f）、（j）、（n）、（r）中的NOC曲线反映充电站的充电交通流量，NOC数值上升表明有新车辆到站。NOC曲线与负荷曲线的波动趋势一致，表明车辆到达模式对负荷曲线形态起决定性作用。

为探究充电模式，研究纳入了车辆类型分析。如图2（c）、（g）、（k）、（o）、（s）所示，在位于居民区和购物中心的充电站中，私家车EV的充电占比很高。对比私家车充电占比高与低的区域负荷曲线可发现，私家车在夜间（23:00~6:00）于公共快充站产生高功率负荷的可能性较小，而公共用车则更可能造成这种情况，因为私家车夜间更倾向于使用家用充电桩充电。如图2（e）、（m）、（q）所示，在公共用车占比高的充电站，15:00~17:00的负荷会上升。由于公共用车的日均行驶里程通常远高于私家车，下午时段充电是满足其较高能量需求的常见方式。

EV充电活动的时间和时长需符合用户的使用目的与便利性需求。充电站的可达性很大程度上由地理位置决定，因此不同位置的充电站呈现出不同的车辆类型占比和负荷曲线形态。尽管各站的负荷模式存在差异，但这5个充电站的充电时长分布相近，平均值约为44 min。快充技术的进步将进一步缩短充电时间。

3.2 充电模式的统计分析

图3（a）对比了5个代表性功能区充电站在一个月内的日均负荷与峰值负荷，展示了各站峰值负荷与充电桩数量的比值。在5个站点中，机场充电站的充电负荷最高（月均日峰值约为500 kW），这主要归因于其充电桩数量最多（24个）。然而，机场充电站的单桩平均峰值功率最低，仅为21 kW，显著低于居民区充电站（单桩平均峰值功率为50 kW），居民区仅有4个可用充电桩。图3（b）对比了不同充电站的日均负荷与日峰值负荷之比，该比值与各站充电桩数量大致呈正线性相关，两变量的皮尔逊相关系数（r_Pearson）为0.72。尽管平均负荷与峰值负荷比值的均值仅为0.21，但规模较大的充电站往往具有更高的平均负荷与峰值负荷比值。图3（c）展示了5个充电站不同占用率的时间占比。值得注意的是，5个站点中，90.7%的时间里占用率低于50%，其中，居民区充电站59.9%的时间处于完全闲置状态。这表明充电站的高占用率和高负荷状态仅出现在极短时间内。

为了解用户开始充电时的电池状态，图3（d）呈现了5站EV的到站SOC分布。尽管各站规模和位置不同，但到站SOC分布差异不大，中位数在34%~44%之间。值得注意的是，SOC低于20%的占比急剧下降，表明用户会刻意避免电池电量过低。图3（e）对比了5站充电会话结束与新会话开始的时间间隔分布，以反映车辆到达频率。机场和居民区充电站的时间间隔中位数分别为4 min和39 min，说明机场充电站的车辆到达更频繁。需注意，充电站的到达频率还受多种因素影响，如位置、工作日/周末、电价和充电费、天气条件及服务质量等。

3.3 超快充仿真与负荷估算

本研究基于7种场景（表1）和真实车辆到达模式开展超快充仿真，以分析充电站的未来运行状态。为展示从现有快充到未来超快充的演变过程，图4对比了机场充电站在4种场景（S1、S3、S5、S7）下的日负荷曲线。通过对比图4（a）~（d）可见，充电功率越高的场景，负荷曲线越离散（EV充电功率从S1到S7逐步提升，见表1）。这是因为尽管各场景的车辆到达模式相同，但充电时长缩短会显著减少充电会话的重叠。从S1到S7，EV的最大充电功率提升了10倍（从150 kW增至1500 kW），但充电站峰值负荷仅增长4.90倍（从1.41 MW增至6.90 MW）。这表明EV充电功率与充电站负荷的增长并不同步，下一节将进一步分析这一现象。

为探究未来峰值负荷特征，表3列出了5个充电站在7种场景下的月峰值负荷及平均/峰值（Avg/peak）比。对所有5个充电站而言，从S1到S7，峰值负荷增长5~7倍，而Avg/peak比降至初始值的23.1%~30.7%。由于各场景的车辆到达模式固定，Avg/peak比的下降趋势表明：随着超快充能力向未来场景演进，负荷尖峰会增多，而平均负荷相对更低。值得注意的是，充电负荷峰值升高不仅会增加充电站配电变压器和电缆的成本，还会对电网产生负面影响。在此背景下，EV充电负荷的削峰策略可能成为未来超快充站的关键需求。

4 电动汽车充电功率提升对充电站负荷的影响

本节分析EV充电功率的提升对充电站负荷的量化影响。首先，结合充电功率提升及充电末期（SOC > 80%）的不同处理方式，研究充电事件的平均功率与总时长；其次，评估充电功率提升对充电站负荷的影响。研究采用中国快充站的真实充电数据，还原典型充电行为，通过前文定义的C_ra表征EV充电功率的提升幅度。

4.1 充电过程的平均功率与总时长变化

在EV充电过程中，充电总时长主要由平均功率决定。然而，单次充电的平均功率会受到充电末期（SOC > 80%）的显著影响。这是因为当前EV采用锂离子电池储能，而该类型电池在充电末期的允许最大功率通常会受到限制。随着电池技术的发展，对未来电池在充电末期的控制方式尚不确定，即此类限制的适用程度仍有待明确。为探究这一问题，本研究考虑了三种充电末期功率约束场景：①无约束；②功率约束（最大功率限制为50 kW）；③提前终止（充电至80% SOC时停止）。据此，本文分析了充电功率提升与充电末期约束条件变化对充电平均功率及总时长的综合影响。

图5（a）展示了EV车队的平均充电功率随C_ra的变化关系。该车队中轻型EV的初始平均充电功率约为30 kW：若充电末期功率无约束，平均功率将随C_ra同比例增长；若施加充电末期功率约束，平均功率则呈非线性增长，且增长速率低于无约束场景。这是由于充电末期的功率限制会拉低整个充电过程的平均功率水平，而EV充电功率的提升会进一步加剧这一效应；若充电至80% SOC时提前终止，初始平均功率约为40 kW，且其随C_ra的增长速率比无约束场景快33%。这一现象可通过以下公式解释：

P c h g a v g, d r o p C r a - P c h g a v g, n c o n s C r a = 1 N c h g ∑ i = 1 N c h g t 2 i p ¯ i p h 1 - p ¯ i p h 2 t 1 i + t 2 i > 0

(8)

式中，

P c h g a v g, d r o p

和

P c h g a v g, n c o n s

分别表示充电提前终止场景与无约束场景下的平均充电功率；N_chg为充电事件总数；

p ¯ i p h 1

和

p ¯ i p h 2

分别为充电初期（SOC ≤ 80%）和充电末期（SOC > 80%）的平均功率；

t 1 i

和

t 2 i

为两阶段的充电时长。由于充电初期功率大于末期功率（

p ¯ i p h 1 > p ¯ i p h 2

），因此提前终止场景下平均功率随功率提升比增长的斜率（

P c h g a v g, d r o p / C r a

）大于无约束场景（

P c h g a v g, n c o n s / C r a

）。详细的数学推导过程见附录A中的第S4节。

图5（b）展示了EV充电平均时长随C_ra增大而下降的趋势。如前文所述，实际场景中EV充电通常始于30%~40% SOC，因此将单次充电时长缩短至10 min并非始终需要极高功率。由图可知，若采用充电至80% SOC提前终止的方式，需将车队平均充电功率提升3倍（约120 kW），即可使平均充电时长降至10 min；而在充电末期施加功率约束的条件下，峰值功率需提升8倍（约240 kW），且此时充电时长难以进一步缩短。这些结果表明，通过调控充电末期功率，对未来进一步缩短EV充电时长具有重要意义。

4.2 电动汽车充电功率提升对充电站负荷的影响

通常认为，若充电站中EV的充电功率翻倍，充电站负荷也会随之翻倍。但往往被忽视的是，充电功率提升还会缩短充电时长，进而减少充电事件的重叠时间。为量化EV充电功率提升对充电站运行的影响，本研究基于典型快充站的实际运营数据，对站内充电活动的功率提升效应进行了仿真分析。本部分设定的充电末期约束条件为提前终止（充电至80% SOC时停止），并考虑了多个变量，包括EV充电功率提升比、日峰值负荷、充电站可用充电桩最大数量及日峰值可用充电桩数量。为更准确反映普遍规律，本节所用的所有日峰值数据均为30天周期的平均值。

图6（a）展示了EV的C_ra与日峰值负荷（L_dm）的关系：峰值负荷随充电功率的提升而增加。为对比不同类型充电站的负荷增长速率，将峰值负荷以初始状态（即C_ra = 1）为基准进行归一化处理（即计算后续各值与初始值的比值）。由图6（b）可见，所有曲线的增长速率均低于直线y = x，即充电功率翻倍时，峰值负荷的增长幅度小于一倍。

值得注意的是，居民区充电站的峰值负荷增长速率明显高于机场充电站。为深入分析这一现象，本研究将充电站规模纳入分析范畴。图6（c）呈现了各充电站的峰值负荷增长速率[由图6（b）中直线的斜率k表征]与可用充电桩数量（

N m o r g

）的关系。该斜率通过下式计算：

w = a r g m i n w X w - y 22

（9）

式中， w =[k, b]^T； y 为日峰值负荷比值向量。矩阵 X 包含两列，第一列为C_ra，第二列为全1向量；argmin为寻优函数，用于求解使目标表达式最小化的参数向量 w。峰值负荷增长速率（斜率k）随可用充电桩数量的增加呈近似线性下降趋势（决定系数R² = 0.73），这表明可用充电桩数量越多的站点，充电功率提升对负荷增长的影响越小。对于不同类型的充电站，充电功率翻倍仅会使负荷增长20%~60%。

本研究进一步量化了充电功率提升对减少充电事件重叠的影响：图6（d）展示了同时充电车辆数的日峰值（N_dm）随C_ra的变化关系；图6（e）为各数据以原始值归一化后的结果。结果表明，N_dm随充电功率提升显著下降，但不同充电站的下降速率存在差异。图6（f）呈现了图6（e）子图中经对数转换后曲线的斜率α与可用充电桩初始数量（

N d m o r g

）的关系。斜率α的计算方法与图6（c）中的斜率k类似，但需对输入数据额外进行对数转换。由于斜率均为负值，其数值越小（绝对值越大），表明N_dm的下降速率越快。综合上述结果可推断：可用充电桩数量越多，充电功率提升时减少并发充电车辆数的能力越强，进而降低充电事件重叠的概率。从线性拟合结果来看，对于配备12个及以上充电桩的站点，充电功率翻倍仅会使峰值负荷小幅边际增长（不足30%）；配备8个以上充电桩的站点，负荷增长不足40%。总体而言，充电功率提升会减少并发充电车辆数，这也解释了为何充电功率翻倍时，峰值负荷仅增长20%~60%；且可用充电桩数量越多的站点，其峰值负荷随充电功率提升的增长速率越小。

为分析模拟结果对未来技术趋势的敏感性，本研究在附录A的图S4中额外设置了14种场景，涵盖充电功率（150~1500 kW）和电池容量（100~250 kW∙h）的不同组合，并通过两种设置（-20%和-50%）模拟冬季低温导致的充电功率衰减效应。由于当前EV普遍采用电池预热功能，本研究未重点关注电池容量衰减的影响。结果表明：在固定充电功率下，仅当充电车辆数日峰值增加时，电池容量提升才会导致充电站峰值功率上升；此外，低温导致的充电功率衰减通常会降低站点峰值功率，但当充电速率减慢引发充电事件显著重叠时，也可能维持甚至提升峰值功率。

5 电网交互约束对超快充电站的影响

本节采用两种通用解决方案，探究现有快充站满足未来超快充电站负荷需求的能力。为此，首先结合超快充电仿真与实际充电模式，生成7种场景（S1~S7，见表1）下的大功率充电数据，这些场景反映了充电功率从120 kW提升至1500 kW的技术发展趋势。同时，采用两种充电站总功率容量阈值（按表2中C1和C2工况，分别为每台充电桩平均60 kW或120 kW）约束充电站的电网交互行为，并纳入两种可平抑峰值负荷的通用解决方案——动态排队策略与储能动态控制技术。

5.1 动态排队策略

动态排队策略由系统主动管理，通过延迟部分充电会话的启动时间降低峰值负荷，进而减少同时充电车辆的峰值数量。该策略不仅能提升现有快充站适配更高充电功率的能力，还可降低向超快充电站升级的潜在成本。然而，充电站总功率容量越低或可用充电桩数量越少，EV的等待时间必然越长。为验证其有效性，本研究将动态排队策略应用于7种场景的充电数据，并选取3类不同规模的充电站（居民区、商业区、机场）进行分析。

图7（a）~（c）分别展示了在两种充电站功率约束（C1、C2）下，居民区、商业区及机场充电站在7种场景中的平均等待时间与最长等待时间；为直观呈现充电事件重叠的减少效果，计算了并发充电车辆数量，其峰值NOC如图7（d）~（f）所示。三处充电站的可用充电桩数量（

N m o r g

）分别为4台、9台和24台[图7（d）~（f）]。若总充电功率不足以支撑至少一台EV充电，或最长等待时间超过60 min，则不提供相应结果。

值得注意的是，若按C2工况配置总功率容量（每台充电桩120 kW ×充电桩数量），机场充电站仅通过动态排队策略即可满足S1~S7全场景的超快充电需求：在此条件下，S1~S7场景的平均等待时间从0 min增至2.1 min，最长等待时间从0 min增至41 min，同时充电的最大车辆数从17台降至2台；若总功率容量降至C1工况（每台充电桩60 kW ×充电桩数量），机场充电站仅能满足S1~S4场景的需求。

对比三处充电站的结果发现，充电桩数量越多的站点，可覆盖的场景数量越多，原因有二：①充电桩数量多的充电站通常总功率容量更高，更易应对大功率充电需求；②更多充电桩可承载更多充电事件，为动态调整提供更大灵活性。一个特殊现象是，在C2约束下，商业区充电站S6场景的平均等待时间短于S5场景（S5的功率与能量需求低于S6），这是由于S5场景需通过更长等待时间适配可用充电桩数量的减少，但上述两种场景中充电站均仅能同时为一台EV充电[见图7（e）中的S5、S6结果]，因此EV充电功率提升反而缩短了平均等待时间。

更多充电站的验证结果见附录A中的第S5节。在各类场景下，不同站点的平均等待时间均仅为几分钟：对于配备约9台充电桩（单桩平均功率为120 kW）的快充站，S4场景（充电功率为350~550 kW、电池容量为120~150 kW∙h）的平均等待时间不足1 min，最长等待时间低于20 min。如表1所示，S4场景下EV从20% SOC充电至80% SOC的有效充电时间平均约为12 min，因此估算的总充电时间（等待时间+有效充电时间）约为13 min。但如前文所述，EV实际充电起始SOC范围为34%~44%，因此更常见的“充电启动至80% SOC”的总时长约为9 min（含1 min等待时间）。

5.2 动态控制下的储能系统

储能系统通过动态提供额外功率与能量，可有效缓解充电站峰值负荷。与排队策略不同，储能技术不会影响EV的充电行为，但需投入资金配置储能设备及相关配套装置。核心问题在于：现有充电站通过增设储能系统，能否满足未来超快充电需求？在储能设备无功率/能量限制的理想条件下，仅需保证EV日均充电功率低于充电站功率容量，即可完全满足需求（且可忽略峰值需求）；但实际应用中，需最小化储能系统的功率与能量配置以节省投资成本。本节探究了未来场景下不同充电站的储能功率与能量需求变化，考虑的变量包括站点位置、功率约束及储能充放电速率。

图8（a）~（c）对比了三类充电站满足未来超快充电需求所需的最小储能能量，涵盖三种充放电倍率（1C、2C、3C）及表2中的两种站点功率约束（C1、C2）。结果表明：①即使按C1工况配置站点总功率容量（60 kW ×充电桩数量），通过配置充足储能，三处快充站均能满足7种场景的超快充电需求，这是因为尽管峰值功率需求高，但站点的EV日均超快充功率仍足够低；②将站点总功率容量提升至C2工况（120 kW ×充电桩数量），可大幅降低前几个场景的储能需求。

更高的充放电倍率能有效降低储能能量需求：对于机场充电站，充放电倍率从1C提升至3C时，所需储能能量减少61%~67%；且1C~2C区间的储能能量需求边际降幅高于2C~3C区间，充放电倍率超过3C后，对储能能量容量的降低作用有限（附录A中的第S5节）。这表明：当充放电倍率低于3C时，更多储能能量仅用于提供更高功率；因此，只要满足储能系统的功率需求（低于3C），即可同时覆盖能量需求，这有助于明确需求的主要来源。此外，储能系统的选型至关重要：3C充放电倍率对于当前主流的商用电站级储能系统（常见0.5C~1C）而言较高，但对于动力电池系统（如EV用电池，轻松适配10C倍率）而言则较低。

区域气候条件也会影响EV充电效率，因此本研究进一步分析了冬季低温导致充电功率衰减对最小储能能量需求的影响（第S5节）。结果显示，充电功率降低时，所需储能能量随之减少；例如，在1C倍率下，最小储能能量随充电功率的降低近乎成比例下降。这是因为配置储能系统后，EV的充电模式保持不变，充电功率的变化会直接反映在站点的功率需求中。需注意的是，若特定季节（如夏季）的峰值功率需求更高，储能系统投资应按最恶劣场景设计，以保障可靠性。

6 充电站升级的投资成本分析

充电站成本包括初始投资成本（充电桩、配电变压器、土地使用、土建等）与运营成本（运维、电费等）。2019年的一项研究[33]显示，在中国，一座配备30台60 kW直流快充桩的公共充电站，初始投资约为30万美元；同时，美国2019年的数据[34]表明，30台50 kW直流快充桩的设备成本加相关安装费用可达138万美元，远高于中国（附录A中的第S6节）。初始投资中部分成本（如土地使用和初期土建）占比较高，而后续充电站升级成本主要源于充电桩和配电变压器的升级改造。由于通常无法规避充电桩升级成本，不同策略下的升级成本差异主要取决于充电站功率容量的提升方式。通过采用动态排队策略、储能部署等通用方案，可有效降低对额外变压器容量的需求，这本质上是在“增加变压器容量”与“采用替代方案”之间进行权衡。

本研究对比了三种策略（动态排队策略、增加变压器容量、部署储能系统）的成本差异。首先，动态排队策略的成本远低于后两种，仅需配置适配的控制与管理系统；相比之下，变压器扩容和储能部署均需采购额外高价设备（变压器、电池储能系统或两者兼具）。对于后两种策略的核心设备成本：中国箱式配电变压器的平均单位成本约为46美元∙kVA^-1，锂离子电池储能系统（1C倍率、1 h储能时长）的平均单位成本约为196美元∙(kW∙h)^-1（详见附录A中的第S6节）。结合前文结果，充电站1C储能系统只要满足功率需求，即可同步覆盖能量需求——例如，若充电站峰值负荷需增加1200 kW，一套1 h级锂离子电池储能系统（1200 kW∙h、1200 kW）的成本约为23.5万美元，约为1200 kVA箱式配电变压器成本的4倍。在此情况下，电池储能的单位成本需降低76.5%才能具备成本竞争力。然而，若配电网容量不足，通过增加变压器容量实现充电站升级的方案要么技术上不可行，要么成本极高；在这种情况下，减少超快充电桩数量或部署储能系统可能更具经济性。

7 讨论与结论

本研究对中国未来大功率充电站进行了探索性分析，结合综合评估模型和EV实际充电数据，研究了现有快充站及未来潜在超快充电站的运行模式。通过定量分析，本研究得出以下核心结论。

第一，剖析了快充站的运行行为特征：充电桩数量越多的站点，日均负荷与峰值负荷的比值越高，表明大型站点的使用频率更高；高负荷时段持续时间短，90.7%的时间内站点占用率低于50%；未来场景中，超快充电站的峰均负荷比预计会更高。

第二，探究了EV充电功率提升对站点负荷的影响：站点可用充电桩数量越多，充电功率提升对负荷增长的影响越小；这是由于充电时长缩短，充电时段重叠概率降低。例如，充电功率翻倍时，站点峰值功率仅增长20%~60%。这一发现表明，在设计EV充电站时，可优先在高需求区域布局大型充电站：此类站点能够适配更高功率的充电桩，且不会显著增加峰值负荷，从而减轻电网压力。

第三，评估了应对充电站电网容量约束的解决方案：结果显示，在当前快充站容量配置水平下，实施平均等待时间仅为数分钟的动态排队策略，或部署大功率储能系统（≥ 3C充放电倍率），均可有效应对未来超快充电负荷带来的挑战。

第四，探讨了各类充电站升级策略的投资成本：明确充电桩和配电变压器是主要支出项。对比不同升级策略可知，电池储能的扩容成本约为配电变压器扩容成本的4倍。但储能方案具备多项优势，如无需扩展电网容量、安装更灵活（尽管需考虑空间因素），且可利用低谷时段低价电费。

为满足中国EV激增的充电需求、进一步支撑可持续交通转型，需在高需求区域部署超快充电站，这一举措将为缺乏家用充电条件的用户及人口密集区域的EV用户提升充电便利性。基于本研究结果，结合当前先进充电技术已突破500 kW的现状，建议立即在高需求区域部署配备350~550 kW充电桩的大型超快充电站。未来研究可利用本研究提出的充电模式与站点负荷曲线，为充电基础设施的建设与升级改造提供参考；EV充电功率与站点峰值负荷之间的统计关系也可用于预测未来对电网的长期影响。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	International Energy Agency (IEA). Global EV outlook 2024. Report. Paris: International Energy Agency; 2024.

[2]	International Energy Agency (IEA). Global EV outlook 2023. Report. Paris: International Energy Agency; 2023. . 10.1787/cbe724e8-en

[3]	International Energy Agency (IEA). Global EV outlook 2022. Report. Paris: International Energy Agency; 2022. . 10.1787/c83f815c-en

[4]	International Energy Agency (IEA). Global EV outlook 2021. Report. Paris: International Energy Agency; 2021. . 10.1787/3a394362-en

[5]	Zhao Y, Jiang Z, Chen X, Liu P, Peng T, Shu Z. Toward environmental sustainability: data-driven analysis of energy use patterns and load profiles for urban electric vehicle fleets. Energy 2023;285:129465. . 10.1016/j.energy.2023.129465

[6]	Xinhua News Agency. An increase of 49.6%! The year-on-year growth rate of EV charging facilities in the first three quarters reflects three major trends [Internet]. Beijing: Xinhua News Agency; 2024 Nov 12 [cited 2024 Dec 10]. Available from:

[7]	Weiss M, Ruess R, Kasnatscheew J, Levartovsky Y, Levy NR, Minnmann P, et al. Fast charging of lithium-ion batteries: a review of materials aspects. Adv Energy Mater 2021;11(33):2101126. . 10.1002/aenm.202101126

[8]	Li M, Feng M, Luo D, Chen Z. Fast charging li-ion batteries for a new era of electric vehicles. Cell Rep Phys Sci 2020;1(10):100212. . 10.1016/j.xcrp.2020.100212

[9]	Kang B, Ceder G. Battery materials for ultrafast charging and discharging. Nature 2009;458(7235):190‒3. . 10.1038/nature07853

[10]	Lu LL, Lu YY, Zhu ZX, Shao JX, Yao HB, Wang S, et al. Extremely fast-charging lithium ion battery enabled by dual-gradient structure design. Sci Adv 2022;8(17):eabm6624. . 10.1126/sciadv.abm6624

[11]	Ye L, Li X. A dynamic stability design strategy for lithium metal solid state batteries. Nature 2021;593(7858):218‒22. . 10.1038/s41586-021-03486-3

[12]	Wang L, Qin Z, Slangen T, Bauer P, Van Wijk T. Grid impact of electric vehicle fast charging stations: trends, standards, issues and mitigation measures—an overview. IEEE Open J Power Electron 2021;2:56‒74. . 10.1109/ojpel.2021.3054601

[13]	Diandongbang. The 8 fastest charging electric vehicles, Porsche can run 400 kilometers by 15-minute charging [Internet]. Beijing: Autohome.com; 2018 Sep 19[cited 2023 Apr 5]. Available from:

[14]	Juice. The battle for ultra-fast charging of electric vehicles begins! The layout of 14 car companies, interpreting the three key points behind the technology [Internet]. Beijing:Chedongxi; 2022 Oct 22 [cited 2023 Apr 5]. Available from:

[15]	Lambert F. Tesla is deploying its first Supercharger V4, and it’s huge [Internet]. Failsworth: Electrek; 2023 Mar 3 [cited 2023 Apr 4]. Available from:

[16]	Lambert F. Tesla announces 500 kW charging as it finally delivers V4 Supercharger cabinets [Internet]. Failsworth: Electrek; 2024 Nov 14 [cited 2024 Dec 15]. Available from:

[17]	Wilkinson S. Porsche Taycan review: range, battery & charging [Internet]. London: DrivingElectric^TM; 2024 Apr 4 [cited 2024 Dec 15]. Available from:

[18]	Lima P. GAC Aion with fast charging speed comparable to refueling [Internet]. New York City: PushEVs; 2021 Jul 30 [cited 2023 Apr 5]. Available from:

[19]	Attia PM, Grover A, Jin N, Severson KA, Markov TM, Liao YH, et al. Closed-loop optimization of fast-charging protocols for batteries with machine learning. Nature 2020;578(7795):397‒402. . 10.1038/s41586-020-1994-5

[20]	Dufek EJ, Abraham DP, Bloom I, Chen BR, Chinnam PR, Colclasure AM, et al. Developing extreme fast charge battery protocols—a review spanning materials to systems. J Power Sources 2022;526:231129. . 10.1016/j.jpowsour.2022.231129

[21]	Kumar Thakur A, Sathyamurthy R, Velraj R, Saidur R, Pandey A, Ma Z, et al. A state-of-the art review on advancing battery thermal management systems for fast-charging. Appl Therm Eng 2023;226:120303. . 10.1016/j.applthermaleng.2023.120303

[22]	Lempert J, Kollmeyer PJ, He M, Haußmann M, Cotton JS, Emadi A. Cell selection and thermal management system design for a 5C-rate ultrafast charging battery module. J Power Sources 2022;550:232121. . 10.1016/j.jpowsour.2022.232121

[23]	Tu H, Feng H, Srdic S, Lukic S. Extreme fast charging of electric vehicles: a technology overview. IEEE Trans Transp Electrif 2019;5(4):861‒78. . 10.1109/tte.2019.2958709

[24]	Aretxabaleta I, De Alegria IM, Andreu J, Kortabarria I, Robles E. High-voltage stations for electric vehicle fast-charging: trends, standards, charging modes and comparison of unity power-factor rectifiers. IEEE Access 2021;9:102177‒94. . 10.1109/access.2021.3093696

[25]	Greater bay technology with TELD new energy to build thousands of supercharge stations [Internet]. Guangzhou Automobile Group Co., Ltd.; 2022 May 17 [cited 2023 Apr 8]. Available from: 10.33425/2690-8077.1085

[26]	Ahmad A, Qin Z, Wijekoon T, Bauer P. An overview on medium voltage grid integration of ultra-fast charging stations: current status and future trends. IEEE Open J Ind Electron 2022;3:420‒47. . 10.1109/ojies.2022.3179743

[27]	Meyer D, Wang J. Integrating ultra-fast charging stations within the power grids of smart cities: a review. IET Smart Grid 2018;1(1):3‒10. . 10.1049/iet-stg.2018.0006

[28]	Fang C, Lu H, Hong Y, Liu S, Chang J. Dynamic pricing for electric vehicle extreme fast charging. IEEE Trans Intell Transp Syst 2020;22(1):531‒41. . 10.1109/tits.2020.2983385

[29]

Liu G, Xue Y, Chinthavali MS, Tomsovic K. Optimal sizing of PV and energy storage in an electric vehicle extreme fast charging station. In: Proceedings of the 2020 IEEEPower & Energy Society Innovative Smart Grid Technologies Conference ISGT); 2020 Oct 26‒28; The Hague, Netherlands. New York City: IEEE; 2020. p. 1‒5. . 10.1109/isgt45199.2020.9087792

[30]	Leone C, Peretti C, Paris A, Longo M. Photovoltaic and battery systems sizing optimization for ultra-fast charging station integration. J Energy Storage 2022;52:104995. . 10.1016/j.est.2022.104995

[31]	di Noia LP, Mottola F, Proto D, Rizzo R. Real time scheduling of a microgrid equipped with ultra-fast charging stations. Energies 2022;15(3):816. . 10.3390/en15030816

[32]	Iannuzzi D, Franzese P. Ultrafast charging station for electrical vehicles: dynamic modelling, design and control strategy. Math Comput Simul 2021;184:225‒43. . 10.1016/j.matcom.2020.04.022

[33]	Natural Resources Defense Council (NRDC). Analysis on developing a healthy charging service market for EVs in China. Beijing: Natural Resources Defense Council; 2019.

[34]	Nicholas M. Estimating electric vehicle charging infrastructure costs across major US metropolitan areas [Internet]. Washington, DC: International Council on Clean Transportation; 2019 Aug 12 [cited 2024 Dec 15]. Available from: