[论文解读] 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 8

一句话总结

本文提出了一种混合整数线性规划（MILP）模型，用于在城际运输中联合优化自动驾驶电动汽车（AEV）车队规模与充电基础设施规划。该模型整合了动态路径规划、车辆重新定位、随时间变化的需求以及客运与货运服务的差异化成本，表明最优充电功率与电池容量可显著降低总系统成本，尤其通过减少客运运营中的停机时间和时间成本实现。

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.

研究动机与目标

• 通过联合优化AEV车队规模与充电基础设施，弥补现有文献中将两者分开处理的空白。
• 为城际场景开发一个计算上可处理的模型，此类场景相较于城市内城市场景研究较少。
• 纳入现实的运营动态，如随时间变化的起讫点需求、车辆路径规划、重新定位以及充电约束。
• 量化关键参数（如充电功率、电池容量和行驶速度）对经济效率与系统设计的影响。
• 为运输公司提供决策支持框架，以在满足客运与货运出行需求的同时最小化总成本。

提出的方法

• 构建一个混合整数线性规划（MILP）模型，联合优化网络中AEV车队规模与充电站部署。
• 将车辆路径规划与重新定位作为优化的一部分，以在动态需求下最小化时间和运营成本。
• 为客运与货运运输服务建模随时间变化的起讫点需求矩阵。
• 考虑差异化成本结构：客运时间成本较高，货运时间成本较低。
• 整合物理约束，如有限续航里程、充电时间以及电池荷电状态动态。
• 利用问题结构通过分解与有效切割加速求解，提升大规模网络的计算效率。

实验结果

研究问题

• RQ1 与顺序规划相比，联合优化车队规模与充电基础设施在多大程度上降低总系统成本？
• RQ2 充电功率对AEV利用率、车队规模与基础设施投资有何影响？
• RQ3 电池容量如何影响电力消耗、充电频率以及客运与货运运营的总成本？
• RQ4 路径规划与重新定位策略在多大程度上影响车队与基础设施需求？
• RQ5 行驶速度如何影响时间成本、能耗与整体系统效率？

主要发现

• 客运运输的最优电池容量为60 kWh，通过在减少充电频率与增加能耗之间取得平衡，使总系统成本最低。
• 更高的平均行驶速度显著降低车队规模与时间成本，大幅减少客运与货运服务的总系统成本。
• 更高的充电功率可减少AEV停机时间并提高利用率，从而允许更少的充电桩与更小的车队规模，尽管基础设施升级可能抵消部分优势。
• 对于货运运输，更大的电池并不经济，因为能耗更高且缺乏时间成本节约（因无乘客参与）。
• 由于货运缺乏时间成本惩罚，AEV在货物运输中比客运运输更倾向于绕行，凸显了运营中的关键差异。
• 与保守假设相比，该模型将投资成本降低15%–30%，尤其在规划阶段纳入动态路径规划与重新定位时效果更显著。