[论文解读] Optimising Electric Vehicle Charging Station Placement using Advanced Discrete Choice Models

Steven J. Lamontagne, Margarida Carvalho+4 more|arXiv (Cornell University)|Jun 22, 2022

Transportation and Mobility Innovations被引用 5

一句话总结

本文提出了一种新颖的双层优化模型，用于长期电动汽车（EV）充电站选址，该模型整合了用户特定的离散选择模型，以反映用户偏好的异质性及家庭充电接入情况。通过将双层问题重新表述为最大覆盖问题并应用高效启发式算法，该方法显著提升了计算可处理性，在50%以内的时间内实现了接近最优的解，且GRASP和贪心启发式算法在大规模实例上的表现优于精确方法。

ABSTRACT

We present a new model for finding the optimal placement of electric vehicle charging stations across a multi-period time frame so as to maximise electric vehicle adoption. Via the use of advanced discrete choice models and user classes, this work allows for a granular modelling of user attributes and their preferences in regard to charging station characteristics. Instead of embedding an analytical probability model in the formulation, we adopt a simulation approach and pre-compute error terms for each option available to users for a given number of scenarios. This results in a bilevel optimisation model that is, however, intractable for all but the simplest instances. Using the pre-computed error terms to calculate the users covered by each charging station allows for a maximum covering model, for which solutions can be found more efficiently than for the bilevel formulation. The maximum covering formulation remains intractable in some instances, so we propose rolling horizon, greedy, and GRASP heuristics to obtain good quality solutions more efficiently. Extensive computational results are provided, which compare the maximum covering formulation with the current state-of-the-art, both for exact solutions and the heuristic methods. Keywords: Electric vehicle charging stations, facility location, integer programming, discrete choice models, maximum covering

研究动机与目标

• 为解决电动汽车普及过程中的“先有鸡还是先有蛋”困境，通过长期规划视角优化公共充电基础设施的布局。
• 建模不同用户群体在偏好和家庭充电接入方面的异质性，提升现有模型的现实性。
• 开发一种计算上可行的优化框架，在多时段预算约束下最大化电动汽车采用率。
• 在真实的城市网络实例上，比较精确方法、重构方法与启发式方法的性能表现。
• 使决策者能够基于数据、可扩展且具备行为洞察的基础设施投资决策。

提出的方法

• 构建一个双层优化模型，上层负责选择充电站位置与出站数量，下层通过离散选择模型模拟用户购买电动汽车的决策行为。
• 引入用户类别以捕捉偏好的异质性，每类用户分配不同的充电便利性与家庭接入参数。
• 采用先进的离散选择模型（如混合Logit）以表征用户行为的随机性及不同充电选择之间的复杂替代关系。
• 通过消除Big-M约束，将双层模型重构为单层最大覆盖问题（MC），从而提升计算效率。
• 提出三种启发式算法——滚动时域、贪心和GRASP，并将其扩展至多时段设置，以支持规模扩展。
• 利用来自Hydro-Québec的真实电动汽车充电数据校准模型参数，并在五个城市网络数据集上进行验证。

实验结果

研究问题

• RQ1 与聚合模型相比，引入用户特定的离散选择模型在多大程度上提升了电动汽车采用预测的现实性与准确性？
• RQ2 与原始双层公式相比，最大覆盖重构在多大程度上提升了计算性能？
• RQ3 所提出的启发式算法（贪心、GRASP、滚动时域）在精确方法失效的大规模实例中表现如何？
• RQ4 家庭充电接入水平与用户偏好的差异如何影响最优充电站选址与电动汽车采用结果？
• RQ5 所提出的模型能否扩展至城际网络，同时保持计算效率与行为现实性？

主要发现

• 最大覆盖重构消除了Big-M约束，减少了求解时间，并在更大规模实例上实现了更快的收敛。
• GRASP启发式在数分钟内即获得接近最优解，在小规模实例上其解质量与速度均优于最佳精确方法。
• 贪心启发式在最复杂实例上也仅需数秒即找到可行解，展现出极强的可扩展性。
• 与Anjos等人（2020）提出的GF模型相比，本研究模型通过引入用户类别与离散选择模型，产生了显著不同且更直观的充电站选址决策。
• 模型的解质量对用户类别的异质性敏感，家庭充电接入与位置便利性对电动汽车采用率有显著影响。
• 初步测试Benders分解方法显示收敛性能差，表明需进一步改进算法以支持大规模部署。