[論文レビュー] Joint Fleet Sizing and Charging System Planning for Autonomous Electric Vehicles

Hongcai Zhang, Colin Sheppard+2 more|arXiv (Cornell University)|Nov 1, 2018

Transportation and Mobility Innovations参考文献 33被引用数 8

ひとこと要約

本稿では、長距離輸送における自律走行電気自動車（AEV）のフリート規模と充電インフラ計画を統合的に最適化するための混合整数線形プログラミング（MILP）モデルを提案する。このモデルは、動的ルーティング、車両の再配置、時間変動する需要、および乗客サービスと貨物サービスにおける異なるコスト構造を統合しており、最適な充電出力とバッテリ容量が、とくに乗客サービスにおけるダウンタイムと時間コストの削減を通じて、総システムコストを顕著に低減することを示している。

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.

研究の動機と目的

• 従来の研究ではフリート規模と充電インフラを別々に扱う傾向にあるが、本研究ではそれらを統合的に最適化することでそのギャップを埋める。
• 都市内輸送とは対照的にあまり研究が進んでいない長距離輸送シナリオに適した、計算的に取り扱いやすいモデルを構築する。
• 時間変動する発着地間需要、車両ルーティング、再配置、充電制約といった現実的な運用ダイナミクスを組み込む。
• 充電出力、バッテリ容量、走行速度といった重要なパラメータが経済的効率とシステム設計に与える影響を定量的に評価する。
• 乗客および貨物輸送ニーズを満たしつつ、総コストを最小化するための意思決定支援フレームワークを提供する。

提案手法

• ネットワーク全体にわたりAEVフリート規模と充電ステーションの配置を同時に最適化する混合整数線形プログラミング（MILP）モデルを構築する。
• 動的需要を前提とした時間的・運用的コストを最小化するため、車両ルーティングと再配置を最適化の一部としてモデル化する。
• 乗客および貨物輸送サービスの両方における時間変動する発着地間需要行列をモデル化する。
• 乗客輸送では高い時間コスト、貨物輸送では低い時間コストという、異なるコスト構造を反映する。
• 走行範囲の制限、充電時間、バッテリの状態（SOC）ダイナミクスといった物理的制約を統合する。
• 問題の構造を活用して分解法と有効なカットを用いることで、大規模ネットワークに対しても計算効率を向上させる。

実験結果

リサーチクエスチョン

• RQ1 フリート規模と充電インフラを統合的に最適化することで、逐次的計画に比べて総システムコストはどの程度低減されるか？
• RQ2 充電出力の向上がAEVの利用率、フリート規模、インフラ投資に与える影響は何か？
• RQ3 バッテリ容量の増加が、電気消費、充電頻度、および総コストに与える影響は、乗客輸送と貨物輸送でどのように異なるか？
• RQ4 ルーティングおよび再配置戦略が、フリートおよびインフラ要件にどの程度影響を与えるか？
• RQ5 走行速度の向上が時間コスト、エネルギー消費、および全体のシステム効率に与える影響は？

主な発見

• 乗客輸送における最適なバッテリ容量は60kWhであり、これは充電頻度の低減とエネルギー消費の増加のバランスを取ることで、総システムコストを最小化する。
• 平均走行速度の向上は、フリート規模と時間コストの両方を顕著に削減し、乗客および貨物輸送の両方において、総システムコストを大幅に低減する。
• 高効率な充電出力はAEVのダウンタイムを短縮し、利用率を向上させ、結果として必要な充電ステーション数とフリート規模の削減を可能にするが、インフラ整備のコスト上昇がその利点を相殺する可能性がある。
• 貨物輸送においては、より大きなバッテリは経済的ではない。これは、エネルギー消費の増加と、乗客が関与しないことによる時間コストの削減が見込めないためである。
• 貨物輸送では乗客輸送よりも多くの迂回が生じる傾向にある。これは、貨物輸送には時間コストペナルティがないためであり、運用上の重要な差異を示している。
• 動的ルーティングと再配置を計画段階に組み込むことで、保守的な仮定に比べて投資コストを15–30％削減できる。