[论文解读] An electric vehicle charging station access equilibrium model with M/D/C queueing

Bingqing Liu, Theodoros P. Pantelidis+2 more|arXiv (Cornell University)|Feb 11, 2021

Electric Vehicles and Infrastructure参考文献 35被引用 6

一句话总结

本文提出了一种基于M/D/C排队系统的电动汽车（EV）充电站接入均衡模型，以捕捉用户行为和拥堵情况，将其表述为一个不可微的非线性规划问题。该研究引入了一种无导数的连续平均法（Method of Successive Averages, MSA）算法求解，并在小型网络上进行了验证，同时将该模型应用于包含563个Level 2和4个直流快速充电（DCFC）充电桩的真实纽约市案例研究中，结果表明，对于DCFC投资政策而言，高利用率地点的表现优于高延迟地点。

ABSTRACT

Despite the dependency of electric vehicle (EV) fleets on charging station availability, charging infrastructure remains limited in many cities. Three contributions are made. First, we propose an EV-to-charging station user equilibrium (UE) assignment model with a M/D/C queue approximation as a nondifferentiable nonlinear program. Second, to address the non-differentiability of the queue delay function, we propose an original solution algorithm based on the derivative-free Method of Successive Averages. Computational tests with a toy network show that the model converges to a UE. A working code in Python is provided free on Github with detailed test cases. Third, the model is applied to the large-scale case study of New York City Department of Citywide Administrative Services (NYC DCAS) fleet and EV charging station configuration as of July 8, 2020, which includes unique, real data for 563 Level 2 chargers and 4 Direct Current Fast Chargers (DCFCs) and 1484 EVs distributed over 512 Traffic Analysis Zones. The arrival rates of the assignment model are calibrated in the base scenario to fit an observed average utilization ratio of 7.6% in NYC. The model is then applied to compare charging station investment policies of DCFCs to Level 2 charging stations based on two alternative criteria. Results suggest a policy based on selecting locations with high utilization ratio instead of with high queue delay.

研究动机与目标

• 开发一种电动汽车充电站接入用户均衡模型，利用M/D/C排队理论来近似反映系统整体延迟。
• 通过一种新颖的无导数求解算法，解决电动汽车分配模型中排队延迟函数不可微的问题。
• 利用纽约市DCAS的真实数据，评估并比较不同充电站投资政策（特别是DCFC与Level 2充电桩）的优劣。
• 将模型校准至纽约市的实际利用率水平，并评估其对基础设施规划的政策影响。
• 提供一个可复现的、开源的Python实现，以促进更广泛的研究与应用。

提出的方法

• 基于M/D/C排队理论，构建电动汽车到充电站的用户均衡（UE）分配模型，以近似系统整体延迟。
• 由于M/D/C延迟函数具有不连续性，将系统建模为不可微的非线性规划问题。
• 提出一种基于连续平均法（MSA）的无导数求解算法，以处理不可微性问题。
• 在校准基准情景中，将到达率调整为与纽约市观测到的平均利用率比率7.6%相匹配。
• 将模型应用于包含1484辆电动汽车、512个交通分析区和567个充电点（其中563个为Level 2，4个为DCFC）的大规模案例研究。
• 通过两个标准比较投资政策：最小化排队延迟与最大化利用率比率。

实验结果

研究问题

• RQ1 如何将M/D/C排队模型整合进电动汽车充电站接入均衡框架中，以反映真实的拥堵效应？
• RQ2 不可微延迟函数对电动汽车分配模型求解的影响是什么？又该如何有效优化此类问题？
• RQ3 在真实城市环境中，基于高利用率还是低排队延迟的充电站投资政策能带来更好的系统性能？
• RQ4 所提出的模型在多大程度上能准确复现纽约市这类真实城市环境中观测到的利用率模式？
• RQ5 像MSA这样的无导数算法，在多大程度上能有效求解电动汽车充电网络建模中产生的非光滑优化问题？

主要发现

• 所提出的模型在小型网络上成功收敛至用户均衡状态，验证了算法方法的有效性。
• 模型成功校准至纽约市实际观测到的平均利用率比率7.6%，与真实数据一致。
• 研究结果表明，基于高利用率比率选择充电站位置，其投资效果优于基于高排队延迟的选择。
• 在纽约市DCAS数据上的应用表明，该模型具备良好的可扩展性，并在大规模城市电动汽车基础设施规划中具有实际应用价值。
• 开源的Python实现配合详细的测试用例，使得其他研究人员能够实现复现并进一步拓展。
• 本研究强调了在城市环境中部署DCFC时，应优先采用基于利用率的评估标准，而非基于延迟的标准。