您目前的位置: 首页» 科研及成果» 研究进展» Deployment optimization of battery swapping stations accounting for taxis’ dynamic energy demand

Deployment optimization of battery swapping stations accounting for taxis’ dynamic energy demand

论文题目:Deployment optimization of battery swapping stations accounting for taxis’dynamic energy demand(考虑出租车动态能源需求的换电站布局优化)

论文作者:张天雨1,姚恩建2*,杨扬3,潘龙4,李翠萍5,李斌6,赵峰7

论文期刊:Transportation Research Part D-Transport And Environment

论文网址:https://www.sciencedirect.com/science/article/pii/S1361920923000147


摘要:目前关于换电站(battery swapping stationBSS)布局问题的研究忽略了BSS布局对换电出租车(battery swapping taxisBST)日常运营绩效的影响。本研究旨在提出一种保障出租车运力的BSS布局优化模型。为此,通过对换电行为建模、出行链重构和BSS运营仿真,预测了BST的动态换电需求。以最小化交换损耗时间为目标,对BSS的布局进行优化。利用天津市9862辆出租车的日轨迹数据,设置了6种情景,以阐明布局和服务水平、运输能力和环境效益之间的权衡关系。最优布局保证了98.1%的出租车运输能力,减少了44.09%的碳排放。采用的行为模型将网络均衡度从0.33降低到0.067。最后,揭示了续驶里程和充电速度在吸引和分配能源需求中的作用。



1 研究背景

        出租车电动化具有能源转换效率高、行驶零污染等特点,对缓解石油危机、减少城市交通碳排放具有重要意义。出租车电动化进程在全球多个城市得到推广。截至2020年底,全国出租汽车保有量为139.4万辆(MOT,2021)。由于出租车的运营特性,出租车电动化的发展受到能源补给效率的制约。

        在换电模式(BSM)中,出租车的日常出行链可以被出行过程中产生的换电事件所改变。受里程焦虑的影响,BST驾驶员在日常操作中需要在每个乘客订单结束时检查自己的能源需求。有换电需求的出租车将绕行至BSS,接受换电服务。随后,包括绕行、排队和交换过程在内的换电活动影响后续订单的响应,从而改变出租车的日常出行链。而换电活动占用时间的长短受BSS网络布局的影响,即换电站的数量、位置和等级。

        本文在行为建模和多智能体仿真的基础上,建立了精确预测动态能源需求的多等级BSSs布局模型。通过建立用户对换电需求和换电站选择的决策模型,揭示了BST司机的出行机制。然后,提出基于多智能体的微观换电行为仿真,构建出租车、乘客和换电站之间的动态交互关系,捕捉动态换电需求。此外,对BSS的位置和级别进行了适当的优化,以最大化出租车的有效运行时间。本文设计了一种融合基于智能体的仿真算法的遗传算法对所提布局进行分析。


2 论文框架


3 研究方法

        本文对有换电经历的出租车司机进行了SPStated Preference)调查,主要目的是识别他们何时交换电池以及如何选择交换站。调查涉及的36个场景均采用D-最优方法设计,考虑了季节、车辆特征、站点运营状态、站点附近出租车需求的普及程度等特征因素。进一步,基于随机效用理论,在考虑面板数据效用的情况下,分别对交换决策和BSS选择过程进行适当建模。下面给出详细的调查和行为建模。

3.1 对BST驾驶员的出行行为进行建模

3.1.1 BST司机换电行为的SP调查

        调查场景涉及两部分:换电需求决策和换电站选择。

        通过对提出的变量进行组合和筛选,采用D-最优试验设计方法设计了36个场景。换电场景示意图如下图所示。同时,为了保证数据的可靠性,问卷只发放给有换电经历的司机,尤其是出租车司机。20208月至9月,共获得627份有效样本,其中83%的受访者为出租车司机,其余17%为网约车司机。


3.1.2 利用面板数据效用对换电行为进行建模

        本文依次采用BLMNL模型对换电需求决策和换电站选择过程进行建模。同时,在加入面板数据的情况下进行建模,考虑面板数据对模型校准的效用。下图展示了4个未被研究的模型之间的相关性。

(1) 换电需求决策

        基于DEMAND_DECISION2模型,标定后的换电概率和换电需求的广义效用见如下公式:

(2) 换电站选择

        基于STATION_CHOICE 2模型,标定后的第i个交换站的选择概率和广义效用见如下公式:

image.png

3.2 基于多智能体的动态换电需求预测

3.2.1 MDSDEM框架

        本文开发了一个名为MDSDEM的仿真模型来捕获交换需求的时空分布。MDSDEM框架包含3层,即地理层、Agent需求响应层和BSS网络服务仿真层。这些层之间的相互作用关系如下图所示。

        在接下来的小节中,对MDSDEM(即模型A-1:换电需求分配,模型A-2:订单响应机制,模型A-3:多等级换电站服务系统)中涉及的三个子模型进行了进一步的描述。

3.2.2 模型A-1:换电需求分配

        在模型A-1中,BST司机应根据当前车辆状态、订单信息和BSS网络布局决定是否换电以及换电地点。

(1) 订单完成情况判断

        完成一个订单后,驾驶员首先判断当前SOC是否足以满足下一个订单的需求。因此,公式(7)说明了满足下一订单的条件,即当前剩余里程应大于或等于下一订单里程、剩余里程限制与到BSS的最小绕行距离之和。如公式(10),绕行距离根据乘客下车点和BSS的经纬度,通过Haversine公式计算。而绕行时间计算为公式(11)

(2) 能耗需求判断

(3) 换电站选择

        模拟了BSTsBSS选择行为,并将换电需求分配给特定的BSS。绕行距离、可用电池数量、排队长度、交换价格和出租车需求流行度都是决定每个BSS选择概率的因素,同时,通过轮盘选择方法假设驾驶员在选择BSS时的不确定性。

3.2.3 模型A-2:订单响应机制

        利用模型A-2对连续乘客订单响应机制进行处理。通过嵌入换电事件重构BST的日常出行链,可能导致部分原有乘客订单无法满足。每个订单都标注了两种信息:执行时间和行驶路径。该订单信息是通过对原始出租车GPS数据进行预处理来提取的。其原理是捕捉订单n后由于互换事件造成的订单损失,如下图所示。


3.2.4 模型A-3:多等级换电站服务系统

        利用模型A-3BSS的换电服务进行了仿真,包括BST的换电服务和耗尽电池的充电服务两部分。

3.3 布局模型和算法

3.3.1 多层级BSS规划

        本文提出了一种时空需求覆盖模型,从两个方面优化BSSs的部署:选择换电站点位置和确定相应的等级。

        从保障换电出租车的有效运营时间的角度出发,将规划模型的目标确定为换电出租车有效运营时间的最大化,可以将其等效表示为换电损失时间的最小化,即车辆前往换电站的时间、排队等待时间以及换电操作时间之和最小。

        由于充电基础设施的投资高、回收期长,政府或运营商必须决定哪种布局是合理的,以博弈建设成本和服务水平。建设成本包括土地成本、换电设施成本、备用电池费用等。因此,公式(20)为建设成本约束。公式(22)为站点服务能力约束,对于每一个换电站点而言,由于换电机器人和可用电池数量有限,因此同时在同一站点被服务的换电车辆总数不能超过该站点的设施数量。

3.3.2 GA结合多智能体仿真算法

        本文提出了一种GA结合多智能体仿真的算法进行求解。在遗传算法优化的BSS布局下,基于agent的仿真捕获了BSS的实时交换需求和工作状态。然后,将BST的总操作时间输入到部署模型中,并优化布局,直到迭代结束。下面的伪代码描述了详细的优化过程。

Pseudocode of the GA incorporating the agent-based simulation Algorithm

Input:set population size P,maximum iterations M,crossover probability Pc,mutation probability Pm.

Step 1:(Generating an initial population)

Set the GA iteration m=1

while p<=P do

p=p+1

Chromosome encoding.

end do//p

Return population set P1

Step 2:(Iterative optimzation)

while m<=M do

m=m+1

for layout y in Pm

step 2.1:(MMSBM simulation)

for time

for BST

ifdo

Continue the current order

elif do

Decision-making of swapping battery

if do

Choice the BSS i,and calculate

else

Carry out the next order

elifdo

Calculate order loss,and carry out the next order

Update vhielce status,and BSS status

end for//x

end for//t

Return objective function

end for//y

Step 2.2:(GA optimization)

Calculate the fitness fit(y)

Optimize Population by Selection,Crossover,Mutation Pm

end do//m

Output:best solution pbest


4 实验与结果

4.1 实验区域

        本研究在中国天津市中心城区进行,占地面积173平方公里,平均常住人口密度为17370/平方公里。利用OpenStreetMap原始地图,借助MapboxQGIS软件,建立了城市布局、出租车轨迹、出租车需求和备选BSS地点之间的空间关系。

出租车GPS数据:原始GPS数据采集于2019522日在天津市六区的出租车车队。每隔10 s传输数据,具有较高的时间和空间精度,包括以下有效消息:ID号、工作状态(式中:1表示载客方式,0表示其他方式)、经度、纬度、速度(m/s)、时间戳(s)。总共有36283834条轨迹记录,涉及9862辆车辆。通过数据清洗、工作状态识别、车辆行程聚合等预处理,提取了带有订单请求的日常出租车轨迹消息。图(b)将单辆出租车行驶轨迹按工作状态进行划分。图(c)给出了出租车接客点p的空间分布。

换电出租车:采用北汽EU300车辆。在新欧洲驾驶循环(NEDC)工况下,续驶里程为300 km,电池容量为41.4 k Wh

备选换电站点:从出租车运营的角度来看,出租车在载客的同时并不进行换电。随后,选取需求较高的点作为BSS的备选点。利用DBSCAN算法进行聚类,得到37个簇,将其质心点作为BSSs的合适候选位置,如图(d)所示。

多层级换电设施

仿真参数设置:模拟时段为24 h,时隙为1 s。设定最小剩余里程等于30 km。初始SOC服从[60%70%]的随机分布。在GA仿真中,交叉概率和变异概率分别取0.70.1。此外,种群规模为50,迭代次数设置为100。基本场景的建设成本也设定为5500万元。

4.2 基本场景的结果

(1) 最优布局

        在550万元场景下,最优布局如下图和下表所示。共有12个二级站,0个一级站。总建设费用522元。

        市中心作为提供包括医疗、交通、娱乐等社会公共服务在内的聚合体,成为了出租车订单生成/完成的热点区域。为减少订单目的地与BSS之间的绕道时间,在出租车落客率高的站点9132035建立了BSS。另外8BSS分散在城六区,以扩大BSS系统的服务范围。

(2) 能耗需求的时空分布

        4230次换电需求,涉及4063辆车,其中167辆产生两次换电需求

        (a)图为产生需求时的车辆SOC分布,约75%的车辆在SOC剩余25%-32%进行换电。仅有7%的用户容忍在SOC小于20%的情况下继续行驶。通过对6城区的网格栅格化过程,将补能需求集计在1km*1km的正方形网格中,如图(b)所示。从图中可以看出,中心城区的补能需求受欢迎程度明显高于周边地区。

4.3 不同建设成本下的最优结果

        在不同的建设成本下,BSS系统的建设规模和LOS是不同的。可以预见到,系统的LOS不会因为持续的资金投入而得到持续显著的改善。本部分基于六种场景,试图在建筑成本和系统LOS之间进行权衡,选择合适且经济的建设。工程造价分别为3500万元、4500万元、5500万元、7000万元、9000万元、1.1亿元。

(1) 最优布局方案对比

        不同场景下的最优空间布局如下图和下表所示。BSS分布与出租车落客需求的流行程度有较强的相关性。BSS更集中地建立在出租车落客需求较多的地区。在扩大BSS布局规模的过程中,由于其独特的地理位置,经常选择1015171819223235等候选站点。当建设成本较低(场景123)时,优先建设服务能力更高的二级BSS。随着建设费用的进一步增加,一级BSS作为补充而建设。


(2) 单个BST的服务水平

        BST司机最关心的问题是更换电池损失的时间长短,这反映了电池更换模式对出租车原有日常运行具有较大影响。不同方案下的损失时间变化趋势如下图所示,包括换电损失时间以及其中具体的等待时间和绕道时间。

image.png

(3) BSS系统的服务能力

        为了评估BSS系统的LOS,本文引入了四个指标,分别是服务数量、平均等待时间、最大队列长度和最大等待时间。6种场景下BSS系统的结果如下表所示。

        进一步,引入指标Em来评价BSS系统负载的空间均衡性。

(4) 出租车行业的运输能力

        从出租车行业的角度出发,我们关注其运输能力如何受到BSM的影响。乘客订单的减少反映了换电模式对出租车行业运力的影响:

(5) 环境效益

        政府对BST产生的环境效率也十分关注。减少的碳排放量的百分比用PRCE来表示:


(6) 车站的动态运行状态

        我们捕捉了单个车站的全天动态运行状态,分析了车站拥堵产生和消散的机理。下图显示了场景1-3BSS 10每秒的工作状态,包括有效电池数、队列长度和最小等待时间。

        综上,综合考虑BSS系统的服务水平、出租车行业的运输能力、环境效率以及BSS的综合动态运行状态,本案例推荐采用情景3

4.4 动态仿真效率

        为了验证动态交互的有效性和必要性,通过提出的BST行为模型和最短路径模型对场景3中的系统性能进行了比较和测试。结果表明,动态信息交互能够为BSS系统提供更高的服务水平、更好的服务水平的均衡性、更高的运输能力和更有效的减排效果。

4.5 技术发展的敏感性分析

        本部分旨在评估技术发展对用户能源需求和系统LOS的影响。一方面,采用电池突破技术,提高了BST的续驶里程。另一方面,随着充电技术的发展,在不久的将来可以提高电池的充电速度。由于场景1中的BSS系统无法满足当前BSTs的能源需求,对出租车运营造成极大影响,下面以该场景下的BSS布局为例进行说明。相应的变量设置和详细分析如下。

(1) 续驶里程的敏感性分析

        考虑到未来电池技术的发展,设定续驶里程分别为300 km350 km400 km

(2)电池充电速度的敏感性分析

        下图展示了10号站在不同充电速度下的动态运行状态。可得出结论,在土地资源有限、乘客下车需求较高的城市中心区,应配备充电速度较快的充电车厢进行改善。

        统计各个站点在各种速度下的服务数量,结果表明,系统服务的空间均衡性与充电速度呈负相关关系。对于在较高充电速度下选择BSS的情况,BST驾驶人更关注BSS的地理位置。因此,部署不同充电速度的BSS可以调节其空间分布。

5 结论与展望

        本文基于627SP样本,采用考虑面板数据效用的BLMNL模型对BSTs的互换需求和BSS选择决策进行建模。这些模型旨在揭示BST驾驶人的能源需求对续驶里程、剩余里程、季节、换电价格、可用电池数量、换电价格、排队长度、绕行距离和出租车的流行需求的响应机制。

        以最大化BST的总有效运行时间为目标,提出了多级BSS部署模型来优化基站的位置及其对应的层级。基于9862辆出租车的GPS数据,本研究在中国天津市的六个区进行了测试。通过对BSS部署的服务水平、BST的服务能力和环境效益的评价,从BST司机、BSS系统、出租车行业和政府的角度,有条不紊地发现合适的经济布局。在最优BSS布局情况下(情景3),出租车行业保持在原运力的98.1%左右,碳排放量减少约44.09%。与最短路径模型相比,动态交互可以减少约1.9%的订单损失,并将BSS网络均衡度从0.33降低到0.067。此外,对所开发的续驶里程和充电速度进行了灵敏度分析。当续驶里程从300公里增加到400公里时,互换次数减少了约43.8%,为吸引潜在需求提供了剩余能力。BSSs的充电速度对分配能源需求也起着至关重要的作用。

        本文所开发的模型存在一定的局限性。在不久的将来,可以根据实际的能源需求,研究BSS设施的多样化配置,以指导城市BSS的部署。此外,建议探索考虑场景变化的EFCS有序部署方案。