[論文レビュー] Optimising Electric Vehicle Charging Station Placement using Advanced Discrete Choice Models

Steven J. Lamontagne, Margarida Carvalho+4 more|arXiv (Cornell University)|Jun 22, 2022

Transportation and Mobility Innovations被引用数 5

ひとこと要約

本稿は、ユーザー固有の離散選択モデルと自宅充電の可否を組み合わせることで、多様な好みと自宅充電アクセスを反映する、長期的な電気自動車（EV）充電ステーション配置を目的とした新規な二段階最適化モデルを提案する。二段階問題を最大被覆問題に再定式化し、効率的なヒューリスティクスを適用することで、計算の扱いやすさが著しく向上し、正確な手法に比べて最大50%速く近似的最適解に到達する。GRASPおよびグリーディヒューリスティクスは、大規模なインスタンスにおいて正確な解法を上回る性能を示した。

ABSTRACT

We present a new model for finding the optimal placement of electric vehicle charging stations across a multi-period time frame so as to maximise electric vehicle adoption. Via the use of advanced discrete choice models and user classes, this work allows for a granular modelling of user attributes and their preferences in regard to charging station characteristics. Instead of embedding an analytical probability model in the formulation, we adopt a simulation approach and pre-compute error terms for each option available to users for a given number of scenarios. This results in a bilevel optimisation model that is, however, intractable for all but the simplest instances. Using the pre-computed error terms to calculate the users covered by each charging station allows for a maximum covering model, for which solutions can be found more efficiently than for the bilevel formulation. The maximum covering formulation remains intractable in some instances, so we propose rolling horizon, greedy, and GRASP heuristics to obtain good quality solutions more efficiently. Extensive computational results are provided, which compare the maximum covering formulation with the current state-of-the-art, both for exact solutions and the heuristic methods. Keywords: Electric vehicle charging stations, facility location, integer programming, discrete choice models, maximum covering

研究の動機と目的

• EVの普及における「ニワトリとタマゴのジレンマ」を解消するため、長期的な計画期間における公共の充電インフラ配置を最適化すること。
• 異なるユーザークラスにおける多様なユーザーの好みと自宅充電の可否をモデル化し、従来のモデルよりも現実的であることを向上させること。
• 複数の期間にわたり予算制約を満たしつつEVの普及を最大化する、計算に耐えうる最適化フレームワークを開発すること。
• 実際の都市ネットワークインスタンスにおいて、正確な手法、再定式化手法、ヒューリスティクス手法の性能を比較すること。
• 意思決定者がデータドリブンでスケーラブルかつ行動的根拠に基づいたインfraストラクチャ投資意思決定を下せるようにすること。

提案手法

• 上段の最適化で充電ステーションの配置とコンセント数を決定し、下段の最適化で離散選択モデルを用いてユーザーのEV購入意思決定をモデル化する二段階最適化モデルを構築する。
• ユーザークラスを導入することで、好みの多様性を捉え、各クラスに充電の利便性と自宅充電の可否に関する異なるパラメータを割り当てる。
• 混合ロジットなどの高度な離散選択モデルを用いて、ユーザー行動の確率的性質と、充電代替手段間の複雑な代替パターンを表現する。
• Big-M制約を排除することで、二段階モデルを単一段階の最大被覆問題（MC）に再定式化し、計算効率を向上させる。
• ローリングホライズン、グリーディ、GRASPの3つのヒューリスティクスを提案し、スケーラビリティを高めるために複数期間設定とサイズ決定を統合する。
• ハイドロ・ケベックの実際のEV充電データを用いてモデルパラメータをキャリブレーションし、その結果を5つの都市ネットワークデータセットに適用して妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 ユーザー固有の離散選択モデルを組み込むことで、集計モデルに比べてEV普及予測の現実性と正確性がどの程度向上するか？
• RQ2 最大被覆問題への再定式化は、元の二段階定式化に比べて計算パフォーマンスにどの程度寄与するか？
• RQ3 提案されたヒューリスティクス（グリーディ、GRASP、ローリングホライズン）は、正確な手法が失敗する大規模インスタンスを解く際にどの程度有効か？
• RQ4 自宅充電の可否やユーザーの好みの違いが、最適な充電ステーション配置とEV普及の結果にどの程度影響を及ぼすか？
• RQ5 提案モデルは、都市間ネットワークに拡張可能であり、計算効率と行動的現実性を維持できるか？

主な発見

• 最大被覆問題への再定式化によりBig-M制約が排除され、解法時間の短縮と大規模インスタンスにおける収束の高速化が達成された。
• GRASPヒューリスティクスは数分のうちに近似的最適解を達成し、小規模インスタンスにおいて正確な手法を性能と速度の両面で上回った。
• グリーディヒューリスティクスは、最も複雑なインスタンスに対しても数秒で妥当解を発見し、優れたスケーラビリティを示した。
• ユーザークラスと離散選択モデルを組み込んだ本モデルは、Anjosら（2020）のGFモデルとは著しく異なる、より直感的な充電ステーション配置意思決定を生み出した。
• モデルの解法品質はユーザークラスの多様性に敏感であり、自宅充電の可否と立地の利便性がEV普及率に顕著な影響を及ぼした。
• ベンダース分解の予備テストでは収束が著しく悪く、大規模な展開に向けたさらなるアルゴリズムの洗練が求められることが示された。