[论文解读] The Information-Collecting Vehicle Routing Problem: Stochastic Optimization for Emergency Storm Response

Lina Al‐Kanj, Warren B. Powell+1 more|arXiv (Cornell University)|May 18, 2016

Vehicle Routing Optimization Methods参考文献 34被引用 13

一句话总结

本文提出了一种使用蒙特卡洛树搜索的随机前瞻策略，以优化风暴相关停电事件中的配电卡车路径规划，明确建模了来自故障报修和主动信息采集的信念更新。该方法在报修概率较低的情况下，相比行业标准的升级启发式方法，将客户停电时长减少了高达49%。

ABSTRACT

Utilities face the challenge of responding to power outages due to storms and ice damage, but most power grids are not equipped with sensors to pinpoint the precise location of the faults causing the outage. Instead, utilities have to depend primarily on phone calls (trouble calls) from customers who have lost power to guide the dispatching of utility trucks. In this paper, we develop a policy that routes a utility truck to restore outages in the power grid as quickly as possible, using phone calls to create beliefs about outages, but also using utility trucks as a mechanism for collecting additional information. This means that routing decisions change not only the physical state of the truck (as it moves from one location to another) and the grid (as the truck performs repairs), but also our belief about the network, creating the first stochastic vehicle routing problem that explicitly models information collection and belief modeling. We address the problem of managing a single utility truck, which we start by formulating as a sequential stochastic optimization model which captures our belief about the state of the grid. We propose a stochastic lookahead policy, and use Monte Carlo tree search (MCTS) to produce a practical policy that is asymptotically optimal. Simulation results show that the developed policy restores the power grid much faster compared to standard industry heuristics.

研究动机与目标

• 为解决风暴过后仅一小部分受影响客户通过故障报修电话报告停电的问题，快速恢复供电。
• 开发一种路径规划策略，将配电卡车不仅视为维修车辆，更视为主动信息采集工具，以精炼对故障位置的信念。
• 在应急响应的随机车辆路径规划框架中，建模物理状态、信息状态与信念状态的联合演化过程。
• 设计并评估一种渐近最优的前瞻策略，在真实世界仿真中表现优于标准行业启发式方法。

提出的方法

• 将问题形式化为一个序列随机优化模型，整合物理状态（卡车与电网状态）、信息状态（报修历史）和信念状态（故障位置的概率分布）。
• 提出一种信念模型，结合风暴和电网的先验数据与实时报修数据，估算网络中各位置的故障可能性。
• 采用基于专用实现的蒙特卡洛树搜索（MCTS）求解随机前瞻策略，以在信念空间中平衡探索与利用。
• 使用仿真器模拟配电网，并在不同报修概率和风暴条件下测试路径规划策略。
• 应用向下追踪和向上追踪算法识别故障区段，确保所有故障元件均被修复。
• 采用客户停电时长、未修复故障数量和恢复时间等指标评估性能。

实验结果

研究问题

• RQ1 当仅一小部分受影响客户报告停电时，如何规划配电卡车路径以最小化客户停电时间？
• RQ2 卡车主动信息采集在多大程度上能提升信念准确性并减少恢复时间？
• RQ3 基于蒙特卡洛树搜索的随机前瞻策略是否能在风暴响应场景中优于标准行业启发式方法？
• RQ4 所提策略的性能如何随客户报修概率的不同而变化？
• RQ5 基于信念的路径规划与基于报修的升级策略相比，如何减少未修复故障的数量？

主要发现

• 在1%的报修概率下，前瞻策略将客户平均停电时长从2.34×10⁴小时降低至1.58×10⁴小时，相比升级启发式方法改善了33%。
• 在100%报修概率下，前瞻策略在7.2小时内完成电网恢复，而升级策略耗时20.34小时，恢复时间减少超过60%。
• 即使仅1%的客户报修，前瞻策略仍能修复所有故障，而升级策略在同一条件下平均留下1个故障未修复。
• 在最低报修概率（1%）下，前瞻策略相比升级启发式方法将客户停电时长减少了49%。
• 由于完全依赖报修位置，升级启发式方法无法检测到无报修的故障区段，即使故障实际存在。
• 前瞻策略通过信念更新有效定位了被基于报修的升级方法遗漏的下游故障。