[論文レビュー] The Information-Collecting Vehicle Routing Problem: Stochastic Optimization for Emergency Storm Response

Lina Al‐Kanj, Warren B. Powell+1 more|arXiv (Cornell University)|May 18, 2016

Vehicle Routing Optimization Methods参考文献 34被引用数 13

ひとこと要約

本稿では、ストームに起因する停電に対する配電網の復旧を最適化するため、モンテカルロ木探索を用いた確率的前方探索ポリシーを提案する。この手法は、トラブル通報と同時に情報収集を明示的にモデル化しており、業界標準の段階的昇格ヒューリスティクスと比較して、顧客の停電時間（outage-hours）を最大49％削減する。これは、通報確率が低い状況下でも有効である。

ABSTRACT

Utilities face the challenge of responding to power outages due to storms and ice damage, but most power grids are not equipped with sensors to pinpoint the precise location of the faults causing the outage. Instead, utilities have to depend primarily on phone calls (trouble calls) from customers who have lost power to guide the dispatching of utility trucks. In this paper, we develop a policy that routes a utility truck to restore outages in the power grid as quickly as possible, using phone calls to create beliefs about outages, but also using utility trucks as a mechanism for collecting additional information. This means that routing decisions change not only the physical state of the truck (as it moves from one location to another) and the grid (as the truck performs repairs), but also our belief about the network, creating the first stochastic vehicle routing problem that explicitly models information collection and belief modeling. We address the problem of managing a single utility truck, which we start by formulating as a sequential stochastic optimization model which captures our belief about the state of the grid. We propose a stochastic lookahead policy, and use Monte Carlo tree search (MCTS) to produce a practical policy that is asymptotically optimal. Simulation results show that the developed policy restores the power grid much faster compared to standard industry heuristics.

研究の動機と目的

• ストーム後の停電復旧において、影響を受ける顧客のわずかな割合しかトラブル通報を行わない状況で、迅速な電力復旧を実現すること。
• 配電トラックを単なる修理車両ではなく、故障箇所の位置に関する信念を精緻化するための能動的情報収集装置として扱うルーティングポリシーの開発。
• 緊急対応のための確率的車両ルーティングフレームワークにおいて、物理的状態、情報状態、信念状態の連携した進化をモデル化すること。
• 漸近的に最適であるとともに、実世界のシミュレーションにおいて業界標準のヒューリスティクスを上回る性能を示す前方探索ポリシーの設計と評価。

提案手法

• 物理状態（トラックおよびグリッドの状態）、情報状態（通報履歴）、信念状態（ネットワーク全体における故障の確率的分布）を統合した逐次的確率的最適化モデルとして問題を定式化する。
• 事前情報（ストームおよびグリッドデータ）とリアルタイムのトラブル通報データを統合して、ネットワーク全体における故障の可能性を推定する信念モデルを導入する。
• 探索と活用のバランスを取るために、特殊な実装によるモンテカルロ木探索（MCTS）を用いて確率的前方探索ポリシーを解く。
• シミュレータを用いて電力グリッドをモデル化し、異なる通報確率およびストーム状況下でのルーティングポリシーのテストを実施する。
• 故障セグメントを同定するためのダウントラーシングおよびアップトラーシングアルゴリズムを適用し、故障したすべてのコンponentsが修復されることを保証する。
• 顧客の停電時間、修復されていない故障数、復旧に要する時間といった指標を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 影響を受ける顧客のわずかな割合しか通報を行わない状況下で、いかに配電トラックをルーティングすることで顧客の停電時間を最小化できるか。
• RQ2 トラックによる能動的情報収集は、信念の正確性をどの程度向上させ、復旧時間を短縮できるか。
• RQ3 モンテカルロ木探索に基づく確率的前方探索ポリシーは、ストーム対応の場面で業界標準のヒューリスティクスを上回る性能を示せるか。
• RQ4 顧客の通報確率が異なる条件下で、提案されたポリシーの性能はどのように変化するか。
• RQ5 信念に基づくルーティングは、通報に基づく段階的昇格手法と比較して、修復されていない故障数をどの程度削減できるか。

主な発見

• 1％の通報確率下で、前方探索ポリシーは平均顧客停電時間を2.34×10⁴から1.58×10⁴にまで削減し、段階的昇格ヒューリスティクスと比較して33％の改善を達成した。
• 100％の通報確率下で、前方探索ポリシーは7.2時間でグリッドを復旧させたが、段階的昇格ポリシーは20.34時間かかっており、復旧時間を60％以上短縮した。
• 1％の通報確率下でも、前方探索ポリシーはすべての故障を修復したが、段階的昇格ポリシーは平均して1件の故障が修復されなかった。
• 最低通報確率（1％）下で、前方探索ポリシーは段階的昇格ヒューリスティクスと比較して、顧客の停電時間に49％の削減を達成した。
• 段階的昇格ヒューリスティクスは、通報がないセグメントに故障が存在しても、通報位置に依存するため、故障を検出できなかった。
• 前方探索ポリシーは信念の更新を活用することで、通報に基づく段階的昇格手法が見逃した下流の故障を効率的に特定できた。