[论文解读] Joint Optimization of Autonomous Electric Vehicle Fleet Operations and Charging Station Siting

Justin Luke, Mauro Salazar+2 more|arXiv (Cornell University)|Jun 30, 2021

Electric Vehicles and Infrastructure参考文献 13被引用 27

一句话总结

本文提出了一种凸联合优化框架，可同时确定自动驾驶电动客车（AEV）车队及其宏观运营的最优选址与充电基础设施布局。通过将网络流模型与充电站设计相结合的线性规划方法，该方法最小化了车队总成本，包括路径规划、充电、采购及需求电费等，实现了总成本、峰值充电负荷和空驶里程最高达10%的降低，同时更倾向于采用高功率Level 2 AC充电桩，并减少直流快充容量。

ABSTRACT

Charging infrastructure is the coupling link between power and transportation networks, thus determining charging station siting is necessary for planning of power and transportation systems. While previous works have either optimized for charging station siting given historic travel behavior, or optimized fleet routing and charging given an assumed placement of the stations, this paper introduces a linear program that optimizes for station siting and macroscopic fleet operations in a joint fashion. Given an electricity retail rate and a set of travel demand requests, the optimization minimizes total cost for an autonomous EV fleet comprising of travel costs, station procurement costs, fleet procurement costs, and electricity costs, including demand charges. Specifically, the optimization returns the number of charging plugs for each charging rate (e.g., Level 2, DC fast charging) at each candidate location, as well as the optimal routing and charging of the fleet. From a case-study of an electric vehicle fleet operating in San Francisco, our results show that, albeit with range limitations, small EVs with low procurement costs and high energy efficiencies are the most cost-effective in terms of total ownership costs. Furthermore, the optimal siting of charging stations is more spatially distributed than the current siting of stations, consisting mainly of high-power Level 2 AC stations (16.8 kW) with a small share of DC fast charging stations and no standard 7.7kW Level 2 stations. Optimal siting reduces the total costs, empty vehicle travel, and peak charging load by up to 10%.

研究动机与目标

• 为填补自动驾驶电动客车（AEV）车队运营与充电站选址孤立优化之间的空白，联合建模两个问题。
• 最小化E-AMoD运营商的总成本，包括车队采购、路径规划、充电及基础设施成本。
• 量化不同电动车类型（如续航里程、尺寸、成本）对最优基础设施与运营设计的影响。
• 证明联合优化相比在预设基准站网布局上单独优化运营，能显著获得更优结果。

提出的方法

• 构建一个网络流模型，用于表示空间、时间及荷电状态（SoC）水平下车辆移动、充电事件与电池状态。
• 通过在候选位置建模离散充电速率（如Level 2、直流快充）将充电站选址决策整合进优化过程。
• 构建一个线性规划模型，联合优化车队规模、路径规划、充电调度与基础设施采购成本。
• 引入电力需求电费，并允许采用充电限流与自环弧，以表示同一区域内起讫点的行程。
• 使用时间扩展图，结合离散时间步长与电池荷电状态离散化，以建模动态车辆运行。
• 采用现成求解器（如Gurobi）求解大规模凸优化问题，实现全局最优。

实验结果

研究问题

• RQ1 与顺序优化相比，联合优化AEV车队运营与充电站选址对总系统成本有何影响？
• RQ2 E-AMoD车队的最优充电站类型组合（如Level 2与直流快充）及其空间分布是怎样的？
• RQ3 不同电动车型号（续航里程、尺寸、成本各异）如何影响最优基础设施与运营设计？
• RQ4 与基于当前日充电站布局的基准方案相比，联合优化在多大程度上降低了峰值充电负荷与空驶里程？
• RQ5 车队的自主性在多大程度上实现了更分散、更高效的充电方式，相比人类驾驶的电动车？

主要发现

• 与基于当前日充电站布局的基准情景相比，联合优化使总系统成本降低了9.59%。
• 最优充电站配置中，直流快充容量减少了64%，更倾向于采用高功率Level 2 AC充电桩（16.8 kW），而非标准的7.7 kW Level 2充电桩。
• 峰值充电负荷降低了10.07%，空驶里程（再平衡距离）降低了11.20%，这是由于充电基础设施分布更广泛且更易获取。
• 续航里程短但更小、更轻、更便宜的电动车（如Leaf S）因能效高，在总拥有成本方面最具成本效益。
• 最优选址比当前日选址更分散，优化情景中排名前13个站点覆盖52%的区域，实现74%的总容量，而基准情景仅覆盖4个区域。
• 包含530万个变量的优化问题在24核CPU、64GB内存的计算实例上耗时2.33小时求解，证明了计算可行性。