Shared autonomous electric vehicles (SAEVs) are expected to serve a significant fraction of the passenger transportation needs in cities and surrounding urban areas. In this paper, we consider optimal operation of a cyber-physical system (CPS) comprising a large fleet of SAEVs and a set of charging hubs located across the transportation network and supported by the power grid. The hubs are considered to have a number of charging stations, a stand-alone battery bank for energy storage, and limited rooftop photo-voltaic (PV) generation capacity. We developed a robust mixed integer linear programming model. It considers a number of practical features of both the power and transportation systems, including day-ahead load commitment for electricity via an alternative current power flow model, real time price spikes of electricity, energy arbitrage, uncertainty in passenger demand, and balking of passengers while waiting for a ride. We demonstrated our methodology by implementing it on a sample CPS with 500 SAEVs and five hubs with fifty charging stations in each. Our methodology yields operational decisions for day ahead commitment of power and real time control of the SAEVs and the hubs. The sample CPS is used to examine impact of hub capacity and fleet size on various system performance measures. We discuss the computational challenges of our methodology and propose a simplified myopic approach that is capable of dealing with much larger fleet sizes and a variety of hub capacities. Reduction in computation time and the optimality gap for the myopic approach are examined.

共享自动驾驶汽车（SAEV）有望满足城市和周边城市地区乘客运输需求的很大一部分。在本文中，我们考虑了一个网络物理系统（CPS）的最佳运行情况，该系统包括大量SAEV和位于整个运输网络中并由电网支持的一组充电中枢。集线器被认为具有多个充电站，用于能量存储的独立电池组以及有限的屋顶光伏（PV）发电能力。我们开发了鲁棒的混合整数线性规划模型。它考虑了电力和运输系统的许多实用功能，包括通过替代电流潮流模型承担的日间提前用电承诺，电力的实时价格飙升，能源套利，乘客需求的不确定性，以及在等待乘车时让乘客停下脚步。我们通过在具有500个SAEV的样本CPS和每个中有50个充电站的五个集线器上实施该方法来论证了我们的方法。我们的方法可以为SAEV和轮毂的动力以及实时控制的提前承诺做出运营决策。样本CPS用于检查集线器容量和机队规模对各种系统性能指标的影响。我们讨论了方法论的计算难题，并提出了一种简化的近视方法，该方法能够处理更大的机队规模和各种枢纽能力。检查了减少的计算时间和近视方法的最佳差距。我们通过在具有500个SAEV的CPS样本和每个具有50个充电站的5个枢纽上实施该方法论证了我们的方法。我们的方法可以为SAEV和轮毂的动力以及实时控制的提前承诺做出运营决策。样本CPS用于检查集线器容量和机队规模对各种系统性能指标的影响。我们讨论了方法论的计算难题，并提出了一种简化的近视方法，该方法能够处理更大的机队规模和各种枢纽能力。检查了减少的计算时间和近视方法的最佳差距。我们通过在具有500个SAEV的CPS样本和每个具有50个充电站的5个枢纽上实施该方法论证了我们的方法。我们的方法可以为SAEV和轮毂的动力以及实时控制的提前承诺做出运营决策。样本CPS用于检查集线器容量和机队规模对各种系统性能指标的影响。我们讨论了我们方法的计算挑战，并提出了一种简化的近视方法，该方法能够处理更大的机队规模和各种枢纽能力。检查了减少的计算时间和近视方法的最佳差距。我们的方法可以为SAEV和轮毂的动力以及实时控制的提前承诺做出运营决策。样本CPS用于检查集线器容量和机队规模对各种系统性能指标的影响。我们讨论了方法论的计算难题，并提出了一种简化的近视方法，该方法能够处理更大的机队规模和各种枢纽能力。检查了减少的计算时间和近视方法的最佳差距。我们的方法可以为SAEV和轮毂的动力以及实时控制的提前承诺做出运营决策。样本CPS用于检查集线器容量和机队规模对各种系统性能指标的影响。我们讨论了方法论的计算难题，并提出了一种简化的近视方法，该方法能够处理更大的机队规模和各种枢纽能力。检查了减少的计算时间和近视方法的最佳差距。