[论文解读] Optimal Installation for Electric Vehicle Wireless Charging Lanes

Hayato Ushijima‐Mwesigwa, Zadid Khan+2 more|arXiv (Cornell University)|Apr 3, 2017

Energy Harvesting in Wireless Networks参考文献 48被引用 13

一句话总结

本文提出一种整数规划模型，在预算约束下最优地布置道路网络中的无线充电车道（WCL），并使用介数中心性作为启发式初始解。结果表明，利用网络中心性度量可显著加速收敛并提升解的质量——与无初始解相比，1小时CPLEX运行中目标值最高提升70%，尤其在大规模网络中表现更优。

ABSTRACT

Range anxiety, the persistent worry about not having enough battery power to complete a trip, remains one of the major obstacles to widespread electric-vehicle adoption. As cities look to attract more users to adopt electric vehicles, the emergence of wireless in-motion car charging technology presents itself as a solution to range anxiety. For a limited budget, cities could face the decision problem of where to install these wireless charging units. With a heavy price tag, an installation without a careful study can lead to inefficient use of limited resources. In this work, we model the installation of wireless charging units as an integer programming problem. We use our basic formulation as a building block for different realistic scenarios, carry out experiments using real geospatial data, and compare our results to different heuristics.

研究动机与目标

• 通过在道路网络中战略性地布置无线充电车道，解决电动汽车的里程焦虑问题。
• 在预算约束下，将最优WCL安装建模为整数规划问题。
• 评估网络中心性启发式方法（如介数中心性）作为大规模WCL布置初始解的有效性。
• 在固定预算下，最小化无法完成的EV路线数量——即因电池电量不足而无法完成行程的路线。
• 为城市规划者提供一种可扩展、可复现的框架，以高效分配有限的基础设施资金。

提出的方法

• 将WCL布置问题建模为混合整数线性规划（MILP）问题，以在预算约束下最小化无法完成的EV路线数量。
• 基于车辆能耗与充电动态特性，建模路径上电池荷电状态（SOC）的变化，并设定可行性阈值。
• 应用介数中心性识别高流量、高影响的道路路段，作为候选WCL位置，并用作优化中的初始可行解。
• 使用CPLEX求解MILP问题，对比在有与无启发式初始化条件下在真实道路网络（如含914个路段的曼哈顿街区）上的性能表现。
• 利用真实地理空间数据及30组随机速度情景模拟，验证SOC结果的鲁棒性。
• 将模型扩展以回答两个关键问题：(1) 消除所有无法完成路线所需的最低预算；(2) 在固定预算下，如何最优布置WCL以最小化无法完成的路线数量。

实验结果

研究问题

• RQ1 通过布置WCL，消除所有无法完成EV路线所需的最低预算是多少？
• RQ2 在固定预算下，如何最优地布置WCL以最小化无法完成的EV行程数量？
• RQ3 将介数中心性作为初始解在多大程度上提升了大规模WCL布置问题中整数规划求解器的性能？
• RQ4 在不同驾驶速度和路线条件下，WCL布置方案的鲁棒性如何？
• RQ5 哪种路线选择策略（如最长路线、高流量路线）能带来更好的优化结果？

主要发现

• 与从无初始解开始相比，在CPLEX运行1小时后，使用介数中心性作为初始解使目标值最高提升70%，且在超过一半的测试案例中实现该提升。
• 所提出的整数规划模型始终优于多种基于中心性的启发式方法，其中介数中心性是测试中表现最强的基线启发式方法。
• 在固定预算下，该模型显著减少了无法完成的路线数量，直接缓解了驾驶员的里程焦虑。
• 该模型在大规模网络（如914个道路路段）上实现了高质量解，展现出良好的可扩展性与实际应用价值。
• 结果表明，路线选择策略具有重要影响——选择更长或更高影响的路线可使解的质量超越随机采样。
• 该模型在速度变化下具有鲁棒性：在50组随机生成的速度情景下，最终SOC保持稳定，性能下降极小。