当前位置: X-MOL 学术arXiv.cs.MA › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Joint Optimization of Autonomous Electric Vehicle Fleet Operations and Charging Station Siting
arXiv - CS - Multiagent Systems Pub Date : 2021-07-01 , DOI: arxiv-2107.00165
Justin Luke, Mauro Salazar, Ram Rajagopal, Marco Pavone

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%.

中文翻译:

自主电动汽车车队运营与充电站选址联合优化

充电基础设施是电力和交通网络之间的耦合纽带,因此确定充电站选址是电力和交通系统规划的必要条件。虽然以前的工作要么根据历史旅行行为优化充电站选址,要么根据假定的充电站位置优化车队路线和充电,本文介绍了一个线性程序,以联合方式优化车站选址和宏观车队运营。给定电力零售费率和一组旅行需求请求,优化将自动驾驶 EV 车队的总成本最小化,包括旅行成本、站点采购成本、车队采购成本和电力成本,包括需求费用。具体来说,优化返回每个候选位置每个充电速率(例如,Level 2,DC 快速充电)的充电插头数量,以及车队的最佳路线和充电。通过对旧金山电动汽车车队的案例研究,我们的结果表明,尽管存在续航里程限制,但采购成本低且能效高的小型电动汽车在总拥有成本方面最具成本效益。此外,充电站的最佳选址比目前的站址更具有空间分布性,主要由大功率二级交流站(16.8 kW)和一小部分直流快速充电站组成,没有标准的7.7kW二级站. 最佳选址可将总成本、空车行驶和高峰充电负载降低多达 10%。DC 快速充电),以及车队的最佳路线和充电。通过对旧金山电动汽车车队的案例研究,我们的结果表明,尽管存在续航里程限制,但采购成本低且能效高的小型电动汽车在总拥有成本方面最具成本效益。此外,充电站的最佳选址比目前的站址更具有空间分布性,主要由大功率二级交流站(16.8 kW)和一小部分直流快速充电站组成,没有标准的7.7kW二级站. 最佳选址可将总成本、空车行驶和高峰充电负载降低多达 10%。DC 快速充电),以及车队的最佳路线和充电。通过对旧金山电动汽车车队的案例研究,我们的结果表明,尽管存在续航里程限制,但采购成本低且能效高的小型电动汽车在总拥有成本方面最具成本效益。此外,充电站的最佳选址比目前的站址更具有空间分布性,主要由大功率二级交流站(16.8 kW)和一小部分直流快速充电站组成,没有标准的7.7kW二级站. 最佳选址可将总成本、空车行驶和高峰充电负载降低多达 10%。通过对旧金山电动汽车车队的案例研究,我们的结果表明,尽管存在续航里程限制,但采购成本低且能效高的小型电动汽车在总拥有成本方面最具成本效益。此外,充电站的最佳选址比目前的站址更具有空间分布性,主要由大功率二级交流站(16.8 kW)和一小部分直流快速充电站组成,没有标准的7.7kW二级站. 最佳选址可将总成本、空车行驶和高峰充电负载降低多达 10%。通过对旧金山电动汽车车队的案例研究,我们的结果表明,尽管存在续航里程限制,但采购成本低且能效高的小型电动汽车在总拥有成本方面最具成本效益。此外,充电站的最佳选址比目前的站址更具有空间分布性,主要由大功率二级交流站(16.8 kW)和一小部分直流快速充电站组成,没有标准的7.7kW二级站. 最佳选址可将总成本、空车行驶和高峰充电负载降低多达 10%。充电站的最佳选址比目前的站址更具有空间分布性,主要由大功率二级交流站(16.8 kW)和一小部分直流快速充电站组成,没有标准的7.7kW二级站。最佳选址可将总成本、空车行驶和高峰充电负载降低多达 10%。充电站的最佳选址比目前的站址更具有空间分布性,主要由大功率二级交流站(16.8 kW)和一小部分直流快速充电站组成,没有标准的7.7kW二级站。最佳选址可将总成本、空车行驶和高峰充电负载降低多达 10%。
更新日期:2021-07-02
down
wechat
bug