[論文レビュー] Joint Optimization of Autonomous Electric Vehicle Fleet Operations and Charging Station Siting

Justin Luke, Mauro Salazar+2 more|arXiv (Cornell University)|Jun 30, 2021

Electric Vehicles and Infrastructure参考文献 13被引用数 27

ひとこと要約

本稿では、自律型電気自動車（AEV）ファミリーとそのマクロスコピックな運用を同時に最適化する凸共同最適化フレームワークを提案する。ネットワークフロー・モデルと充電ステーション設計を統合した線形計画法を用い、ルーティング、充電、調達、需要料金を含む総ファミリー費用を最小化する。これにより、総コスト、ピーク充電負荷、空車走行距離が最大10%削減され、高電力のレベル2 ACステーションへのシフトとDC急速充電容量の低減が実現される。

ABSTRACT

Charging infrastructure is the coupling link between power and transportation networks, thus determining charging station siting is necessary for planning of power and transportation systems. While previous works have either optimized for charging station siting given historic travel behavior, or optimized fleet routing and charging given an assumed placement of the stations, this paper introduces a linear program that optimizes for station siting and macroscopic fleet operations in a joint fashion. Given an electricity retail rate and a set of travel demand requests, the optimization minimizes total cost for an autonomous EV fleet comprising of travel costs, station procurement costs, fleet procurement costs, and electricity costs, including demand charges. Specifically, the optimization returns the number of charging plugs for each charging rate (e.g., Level 2, DC fast charging) at each candidate location, as well as the optimal routing and charging of the fleet. From a case-study of an electric vehicle fleet operating in San Francisco, our results show that, albeit with range limitations, small EVs with low procurement costs and high energy efficiencies are the most cost-effective in terms of total ownership costs. Furthermore, the optimal siting of charging stations is more spatially distributed than the current siting of stations, consisting mainly of high-power Level 2 AC stations (16.8 kW) with a small share of DC fast charging stations and no standard 7.7kW Level 2 stations. Optimal siting reduces the total costs, empty vehicle travel, and peak charging load by up to 10%.

研究の動機と目的

• AEVファミリー運用と充電ステーション立地の最適化が分離されているというギャップを埋めるために、両問題を共同でモデル化すること。
• E-AMoDオペレーターの総コスト（ファミリー調達、ルーティング、充電、インfra構築コストを含む）を最小化すること。
• EVの種別（走行距離、サイズ、コストなど）が最適インフラおよび運用設計に与える影響を定量化すること。
• 既存のベースラインステーション配置に基づいて運用を最適化するのではなく、共同最適化により著しく優れた成果が得られることを示すこと。

提案手法

• 空間的・時間的・SOChレベルで車両移動、充電イベント、バッテリー残量状態を表現するネットワークフロー・モデルを定式化する。
• 候補地における離散的充電レート（例：レベル2、DC急速）をモデル化することで、充電ステーション立地意思決定を最適化に統合する。
• ファミリー規模、ルーティング、充電スケジュール、インfra調達コストを共同で最適化する線形計画法を構築する。
• 電力需要料金を組み込み、充電制限と自己ループアーク（同じ地域内での出発地・到着地の移動を表す）を許容する。
• 動的車両運用をモデル化するため、離散時間ステップとバッテリー充電レベルの離散化を施した時間拡張グラフを用いる。
• Gurobiなどの汎用ソルバーを用いて、大規模な凸最適化問題を解き、グローバル最適性を達成する。

実験結果

リサーチクエスチョン

• RQ1 AEVファミリー運用と充電ステーション立地の共同最適化は、逐次最適化と比較して、総システムコストにどのように影響するか？
• RQ2 E-AMoDファミリーに最適な充電ステーションタイプ（例：レベル2対DC急速）の混合比とその空間的分布は何か？
• RQ3 走行距離、サイズ、コストが異なるEVモデルが、最適インフラおよび運用設計にどのように影響を与えるか？
• RQ4 現在のステーション立地に基づくベースラインと比較して、共同最適化はピーク充電負荷と空車走行距離をどれほど削減できるか？
• RQ5 ファミリーの自律性が、人間運転EVと比較して、より分散的で効率的な充電を可能にする仕組みは何か？

主な発見

• ベースラインとして現在のステーション立地に基づくシナリオと比較して、共同最適化により総システムコストが9.59%削減された。
• 最適な充電ステーション構成は、DC急速充電容量を64%削減し、標準の7.7kWレベル2ステーションよりも高電力の16.8kWレベル2 ACステーションを優遇する。
• ピーク充電負荷は10.07%低下し、空車走行距離（再配置距離）は11.20%削減された。これは、より空間的に分散され、アクセスしやすい充電インフラのおかげである。
• 走行距離が限定されても、エネルギー効率が高く、小型・軽量・低コストなEV（例：Leaf S）は、所有総コストの観点から最も費用対効果に優れている。
• 最適立地は現在の立地よりも空間的により分散されており、最上位13のステーションが最適化シナリオで52%のゾーンをカバーし、全体の74%の容量を確保する一方、ベースラインではわずか4ゾーンにとどまる。
• 530万変数を含む最適化問題は、24 vCPU、64GB RAMのインスタンスを用いて2.33時間で解かれた。これにより、計算上の実行可能性が示された。