[논문 리뷰] Joint Optimization of Autonomous Electric Vehicle Fleet Operations and Charging Station Siting

Justin Luke, Mauro Salazar외 2명|arXiv (Cornell University)|2021. 06. 30.

Electric Vehicles and Infrastructure참고 문헌 13인용 수 27

한 줄 요약

이 논문은 자율 전기차(AEV) 허브 및 그들의 거시적 운영을 동시에 최적화하는 볼록 공동 최적화 프레임워크를 제안한다. 네트워크 흐름 모델과 충전소 설계를 통합한 선형 프로그램을 사용하여, 경로 설정, 충전, 조달 및 수요 요금을 포함한 총 허브 비용을 최소화하며, 총 비용, 피크 충전 부하 및 공백 차량 이동 거리에서 최대 10% 감소를 달성한다. 이는 고출력 레벨 2 AC 충전소로의 전환과 함께 DC 고속 충전 용량의 감소를 특징으로 한다.

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%.

연구 동기 및 목표

• AEV 허브 운영 최적화와 충전소 위치 선정 간의 분리된 최적화 간 격차를 해소하기 위해 두 문제를 공동으로 모델링한다.
• E-AMoD 운영자에 대한 총 비용(허브 조달, 경로 설정, 충전, 인프라 비용 포함)을 최소화한다.
• EV 유형(예: 주행 거리, 크기, 비용)이 최적의 인프라 및 운영 설계에 미치는 영향을 정량화한다.
• 기존 기반 충전소 배치를 기반으로 운영을 최적화하는 것과 비교해 공동 최적화가 훨씬 우수한 결과를 낳음을 입증한다.

제안 방법

• 공간, 시간, 충전 상태(SoC) 수준에서 차량 이동, 충전 이벤트 및 배터리 충전 상태를 나타내는 네트워크 흐름 모델을 수립한다.
• 후보 위치에서의 이산 충전 속도(예: 레벨 2, DC 고속)를 모델링하여 최적화에 충전소 위치 결정을 통합한다.
• 허브 규모, 경로 설정, 충전 일정 및 인프라 조달 비용을 공동으로 최적화하는 선형 프로그램을 구성한다.
• 전기 수요 요금을 통합하고, 충전 조절 및 자기 루프 간선을 도입하여 동일 지역 내 원점-종점 이동을 표현한다.
• 시간 확장 그래프를 사용하여 이산 시간 단위와 배터리 충전 수준 이산화를 적용해 동적 차량 운영을 모델링한다.
• 기존 소프트웨어 솔버(Gurobi 등)를 활용해 대규모 볼록 최적화 문제를 해결하여 전역 최적성을 확보한다.

실험 결과

연구 질문

• RQ1 AEV 허브 운영과 충전소 위치 선정을 공동으로 최적화할 경우, 순차적 최적화 대비 총 시스템 비용에 어떤 영향을 미치는가?
• RQ2 E-AMoD 허브를 위한 최적의 충전소 유형 조합(예: 레벨 2 대비 DC 고속)과 그 공간 분포는 무엇인가?
• RQ3 다양한 EV 모델(다른 주행 거리, 크기, 비용를 가짐)은 최적의 인프라 및 운영 설계에 어떤 영향을 미치는가?
• RQ4 기존의 현재 시점 기반 충전소 배치를 기반으로 한 기준 대비 공동 최적화가 피크 충전 부하와 공백 차량 이동 거리를 얼마나 줄이는가?
• RQ5 허브의 자율성은 인간 운전 전기차에 비해 더 분산되고 효율적인 충전을 어떻게 가능하게 하는가?

주요 결과

• 기존 시점 기반 충전소 배치를 기반으로 한 기준 시나리오 대비 공동 최적화로 총 시스템 비용이 9.59% 감소하였다.
• 최적의 충전소 구성은 DC 고속 충전 용량을 64% 감소시키며, 표준 7.7kW 레벨 2 충전소보다 고출력 16.8kW 레벨 2 AC 충전소를 선호한다.
• 피크 충전 부하는 10.07% 감소하였고, 공백 차량 이동 거리(재균형 거리)는 11.20% 감소하였다. 이는 더 분산되고 접근성이 높은 충전 인프라 덕분이었다.
• 에너지 효율이 높고, 크기·무게가 작으며, 비용이 저렴한 EV(예: Leaf S)는 제한된 주행 거리에도 불구하고 총 소유 비용 측면에서 가장 비용 효율적이다.
• 최적의 위치 선정은 현재 시점의 배치보다 더 분산되어 있으며, 최적화된 시나리오에서 상위 13개 충전소가 52%의 영역을 커버하여 총 용량의 74%를 달성한 반면, 기준 시나리오에서는 단지 4개 영역에 그쳤다.
• 변수 수가 530만 개에 이르는 최적화 문제는 24 vCPU, 64GB RAM 인스턴스를 사용해 2.33시간 내에 해결되었으며, 계산 가능성은 입증되었다.