[论文解读] A Charging-as-a-Service Platform for Charging Electric Vehicles On the Move: New Vehicle Routing Model and Solution

Jiahua Qiu, Lili Du|arXiv (Cornell University)|Apr 1, 2021

Electric Vehicles and Infrastructure参考文献 16被引用 5

一句话总结

本文提出了一种充电即服务（CaaS）平台，通过车辆路径模型（mE2-VRP）实现移动中的电动汽车（EV）充电，优化车队规模和服务效率。该研究引入了基于聚类的克拉克与赖特节约算法（CCWS），在大规模城市及州级仿真中表现优于商业求解器，尤其在低电动汽车渗透率和轻度交通拥堵的情景下表现更优。

ABSTRACT

Range anxiety has been the main challenge for the mass-adoption of electric vehicles (EVs). The emerging mobile electric-vehicle-to-electric-vehicle (mE2) charging technology, which allows an EV with the extra battery to charge the other EV on the move, offers a promising solution. Even though the physical feasibility of this new technology has been confirmed, we still face many operation problems. For example, how can we efficiently pair and route an electricity provider (EP) to a demand (ED) without introducing an extra detour? Motivated by this view, this study develops a Charging-as-a-Service (CaaS) platform, which seeks to dispatches the commercial EPs to serve the EDs, for cultivating this emerging charging service towards the low EV penetration environment. Mathematically, the CaaS platform is modeled as a vehicle routing problem (i.e., mE2-VRP), which optimally dispatches the EPs to approach and serve the EDs on the move while minimizing the EP fleet size and fulfilling all service requests. To adapt the CaaS platform to the online application in practice, we develop the Clustering-aided Clarke and Wright Savings (CCWS) algorithm to efficiently decompose and then solve the large-scale mE2-VRP by parallel computing. Our numerical experiments built upon citywide (Chicago) and statewide (Florida) found that the CCWS algorithm outperforms existing commercial solvers, and it enables us to investigate the performance of the CaaS platform under a realistic large-scale setup in a city or state. The CaaS performs better in low EV penetration markets while traffic congestion is mild and EDs require energy earlier. We can improve the performance by developing proper pricing strategies according to the EDs' energy requests and trip lengths.

研究动机与目标

• 通过电动车辆之间的移动充电（mE2充电）缓解低电动汽车渗透环境下的续航焦虑。
• 解决在不增加绕行的情况下，将移动电力供应商（EPs）与电动汽车（需求方）配对并规划路径的运营挑战。
• 开发一种可扩展的实时车辆路径解决方案，用于调度EPs为移动中的电动汽车提供服务，同时最小化车队规模。
• 通过高效且可并行化的算法，实现CaaS平台在城市或州范围内的大规模部署。

提出的方法

• 将CaaS平台形式化为车辆路径问题（mE2-VRP）的一个新变体，以最小化车队规模，同时满足所有服务请求。
• 提出基于聚类的克拉克与赖特节约算法（CCWS），将大规模mE2-VRP实例分解为可管理的子问题。
• 采用并行计算高效求解子问题，提升在真实世界部署中的可扩展性。
• 利用聚类将需求点和EPs根据空间接近度和能量需求进行分组，提升路径规划效率。
• 采用基于节约思想的启发式算法（受克拉克与赖特启发），合并路径以减少总行驶距离和车队需求。
• 使用来自芝加哥和佛罗里达州的真实数据验证该算法，模拟城市级和州级的电动汽车移动模式。

实验结果

研究问题

• RQ1 如何在不为电动汽车引入绕行的前提下，实现实时高效的移动电动汽车充电路径规划？
• RQ2 服务于移动中电动汽车的CaaS平台，其最优车队规模和路径策略是什么？
• RQ3 在不同电动汽车渗透率和交通条件下，CaaS平台的性能如何变化？
• RQ4 CCWS算法是否能在大规模mE2-VRP场景中优于现有商业求解器？
• RQ5 基于能量需求和行程长度的定价策略在提升CaaS平台性能方面发挥什么作用？

主要发现

• CCWS算法在解决芝加哥和佛罗里达州的大规模mE2-VRP实例时，显著优于现有商业求解器。
• CaaS平台在低电动汽车渗透市场中表现更优，尽管需求稀疏，但能量需求具有时间敏感性。
• 在轻度交通拥堵条件下性能提升，因延迟对路径效率的损害较小。
• 基于能量请求规模和行程长度的动态定价策略显著提升了平台效率。
• CCWS算法使CaaS平台能够在城市级和州级网络中实现可扩展的实时部署。
• mE2-VRP模型成功在复杂城市环境中最小化车队规模，同时确保所有服务请求均被满足。