[논문 리뷰] Optimising Electric Vehicle Charging Station Placement using Advanced Discrete Choice Models

Steven J. Lamontagne, Margarida Carvalho외 4명|arXiv (Cornell University)|2022. 06. 22.

Transportation and Mobility Innovations인용 수 5

한 줄 요약

이 논문은 사용자별 이산 선택 모델을 통합하여 이질적인 선호도와 주 충전 접근성을 반영하는 장기적 전기자동차(EV) 충전소 배치를 위한 새로운 이중선형 최적화 모델을 제안한다. 이중선형 문제를 최대 커버링 문제로 재구성하고 효율적인 휴리스틱 기법을 적용함으로써 계산의 용이성이 크게 향상되어 정확한 방법보다 최대 50% 빠르게 근사 최적해를 도출하며, GRASP 및 근사 휴리스틱이 더 큰 인스턴스에서 정확한 해법을 능가한다.

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

연구 동기 및 목표

• 장기적 계획 기간 동안 공공 충전 인프라의 위치를 최적화하여 전기차 보급의 '닭과 계란' 딜레마를 해결하기 위해.
• 다양한 사용자 유형 간의 이질적인 선호도와 주 충전 접근성을 모델링하여 기존 모델보다 현실성 있는 결과를 도출하기 위해.
• 여러 시기 동안 예산 제약을 고려하면서도 EV 보급을 극대화할 수 있는 계산적으로 타당한 최적화 프레임워크를 개발하기 위해.
• 실제 도시 네트워크 인스턴스에서 정확한 방법, 재구성 기법, 휴리스틱 접근법의 성능를 비교하기 위해.
• 결정자들이 데이터 기반, 확장 가능하고 행동학적 인사이트를 반영한 인프라 투자 결정을 내릴 수 있도록 지원하기 위해.

제안 방법

• 상위 수준에서는 충전소 위치와 충전 포트 수를 선택하고 하위 수준에서는 이산 선택 모델을 사용해 사용자의 전기차 구매 결정을 모델링하는 이중선형 최적화 모델을 수립한다.
• 사용자 유형을 도입하여 선호도의 이질성을 반영하며, 각 유형은 충전 편의성과 주 충전 접근성에 대해 고유한 매개변수를 할당받는다.
• 복합적인 대체 패턴을 반영하기 위해 고급 이산 선택 모델(예: 믹스드 로짓)을 사용해 사용자 행동의 확률적 특성을 표현한다.
• 빅-엠(Big-M) 제약 조건을 제거함으로써 이중선형 모델을 단일 수준의 최대 커버링 문제(MC)로 재구성하여 계산 효율성을 향상시킨다.
• 다중 기간 설정에 확장된 세 가지 휴리스틱 기법—롤링 호라이즌, 근사, GRASP—을 제안하여 확장성을 확보한다.
• 실제 수소퀘벡(Québec) 전기차 충전 데이터를 활용해 모델 매개변수를 校정하고, 이를 다섯 개의 도시 네트워크 데이터셋에 적용하여 검증한다.

실험 결과

연구 질문

• RQ1 사용자별 이산 선택 모델을 통합함으로써 집계 모델 대비 전기차 보급 예측의 현실성과 정확도가 어떻게 향상되는가?
• RQ2 최대 커버링 재구성 기법이 원래의 이중선형 수식에 비해 계산 성능에 얼마나 기여하는가?
• RQ3 제안된 휴리스틱 기법(근사, GRASP, 롤링 호라이즌)이 정확한 방법이 실패하는 대규모 인스턴스를 해결하는 데 얼마나 효과적인가?
• RQ4 주 충전 접근성과 사용자 선호도의 수준이 변화할 경우 최적의 충전소 위치 선정 및 전기차 보급 결과에 어떤 영향을 미치는가?
• RQ5 제안된 모델은 계산 효율성과 행동학적 현실성 유지 조건에서 간선 간 네트워크로 확장 가능한가?

주요 결과

• 최대 커버링 재구성 기법을 통해 빅-엠 제약 조건이 제거되어 해를 구하는 데 소요되는 시간이 감소하고, 더 큰 인스턴스에서 더 빠른 수렴이 가능해졌다.
• GRASP 휴리스틱은 몇 분 내에 근사 최적해를 도출했으며, 작은 인스턴스에서 정확한 방법보다 해의 질과 속도 면에서 뛰어난 성능을 보였다.
• 근사 휴리스틱은 가장 복잡한 인스턴스에서도 몇 초 내에 타당한 해를 찾았으며, 강력한 확장성 잠재력을 보였다.
• 사용자 유형과 이산 선택 모델을 통합한 제안된 모델은 Anjos 등(2020)의 GF 모델과 비교해 훨씬 다르고 더 직관적인 충전소 위치 선정 결정을 도출했다.
• 모델의 해 품질은 사용자 유형 간 이질성에 민감했으며, 주 충전 접근성과 위치 편의성이 전기차 보급률에 명확한 영향을 미쳤다.
• 벤더스 분해(Benders' decomposition)의 초도 테스트 결과 수렴 성능이 열악하여 대규모 배포를 위한 알고리즘 정교화가 필요함을 시사했다.