[논문 리뷰] Joint Fleet Sizing and Charging System Planning for Autonomous Electric Vehicles

Hongcai Zhang, Colin Sheppard외 2명|arXiv (Cornell University)|2018. 11. 01.

Transportation and Mobility Innovations참고 문헌 33인용 수 8

한 줄 요약

이 논문은 고속 간선 교통에서 자율 전기차(AEV) 운행대수와 충전 인프라 계획을 동시에 최적화하기 위한 혼합정수선형계획(MILP) 모델을 제안한다. 이 모델은 동적 경로 설정, 차량 재배치, 시간에 따라 변하는 수요, 승객 및 화물 서비스에 대한 차별화된 비용을 통합하여, 최적의 충전 출력과 배터리 용량이 총 시스템 비용을 크게 감소시킴을 입증한다. 특히 승객 운행에서 정지 시간과 시간 비용을 줄임으로써 효과가 크다.

ABSTRACT

This paper studies the joint fleet sizing and charging system planning problem for a company operating a fleet of autonomous electric vehicles (AEVs) for passenger and goods transportation. Most of the relevant published papers focus on intracity scenarios and adopt heuristic approaches, e.g., agent based simulation, which do not guarantee optimality. In contrast, we propose a mixed integer linear programming model for intercity scenarios. This model incorporates comprehensive considerations of 1) limited AEV driving range; 2) optimal AEV routing and relocating operations; 3) time-varying origin-destination transport demands; and 4) differentiated operation cost structure of passenger and goods transportation. The proposed model can be computational expensive when the scale of the transportation network is large. We then exploit the structure of this program to expedite its solution. Numerical experiments are conducted to validate the proposed method. Our experimental results show that AEVs in passenger and goods transportation have remarkable planning and operation differences. We also demonstrate that intelligent routing and relocating operations, charging system and vehicle parameters, e.g., charging power, battery capacity, driving speed etc., can significantly affect the economic efficiency and the planning results of an AEV fleet.

연구 동기 및 목표

• 기존 문헌에서 별도로 고려되는 AEV 운행대수와 충전 인프라를 함께 최적화함으로써 그 격차를 메우기.
• 도시 내 교통에 비해 덜 다뤄진 고속 간선 환경에 적합한 계산적으로 타당한 모델 개발.
• 시간에 따라 변하는 출발지-도착지 수요, 차량 경로 설정, 재배치, 충전 제약 조건 등 현실적인 운영 역학 통합.
• 충전 출력, 배터리 용량, 주행 속도와 같은 핵심 매개변수의 경제적 효율성과 시스템 설계에 미치는 영향 정량화.
• 승객 및 화물 이동 수요를 충족시키면서 총 비용을 최소화할 수 있도록 운송 기업을 위한 의사결정 지원 프레임워크 제공.

제안 방법

• 네트워크 전역에서 AEV 운행대수와 충전소 배치를 동시에 최적화하는 혼합정수선형계획(MILP) 모델을 수립.
• 동적 수요 하에서 시간과 운영 비용을 최소화하기 위해 차량 경로 설정과 재배치를 최적화의 일부로 모델링.
• 승객 및 화물 운송 서비스에 대해 시간에 따라 변하는 출발지-도착지 수요 행렬을 통합.
• 높은 시간 비용을 갖는 승객 운송과 낮은 비용을 갖는 화물 운송을 고려한 차별화된 비용 구조 반영.
• 제한된 주행 거리, 충전 시간, 배터리 충전 상태 동역학 등 물리적 제약 조건 통합.
• 문제의 구조를 활용해 분해 기법과 유효한 컷을 적용하여 해법 속도 향상, 대규모 네트워크에 대한 계산 효율성 향상.

실험 결과

연구 질문

• RQ1 순차적 계획에 비해 AEV 운행대수와 충전 인프라를 함께 최적화함으로써 총 시스템 비용은 얼마나 감소하는가?
• RQ2 충전 출력이 AEV 활용도, 운행대수, 인프라 투자에 어떤 영향을 미치는가?
• RQ3 배터리 용량이 승객 운행과 화물 운행 모두에서 전기 소비, 충전 빈도, 총 비용에 미치는 영향은 어떠한가?
• RQ4 경로 설정 및 재배치 전략이 운행대수와 인프라 요구량에 얼마나 큰 영향을 미치는가?
• RQ5 주행 속도가 시간 비용, 에너지 소비, 전체 시스템 효율성에 어떤 영향을 미치는가?

주요 결과

• 승객 운행의 최적 배터리 용량은 60kWh이며, 이는 충전 빈도 감소와 에너지 소비 증가 사이의 균형을 맞춰 총 시스템 비용을 최소화한다.
• 높은 평균 주행 속도는 운행대수와 시간 비용을 크게 감소시켜 승객 및 화물 운송 모두에서 총 시스템 비용을 크게 낮춘다.
• 높은 충전 출력은 AEV의 정지 시간을 줄이고 활용도를 높여 더 적은 수의 충전소와 더 작은 운행대수로도 운영 가능하게 하지만, 인프라 업그레이드 비용이 이점을 상쇄할 수 있다.
• 화물 운송에서는 더 큰 배터리가 경제적이지 않다. 에너지 소비 증가와 함께 시간 비용 절감 효과가 없기 때문이다. 승객이 포함되지 않기 때문이다.
• 화물 운송에서는 승객 운송보다 더 많은 경로 외행이 발생하는 경향이 있다. 화물 운송에는 시간 비용에 대한 처벌 조건이 없기 때문에, 이는 주요 운영 차이점을 보여준다.
• 동적 경로 설정과 재배치를 계획 단계에 통합함으로써, 모델은 보수적인 가정에 비해 투자 비용을 15–30% 감소시킨다.