《Sustainability》:A Genetic Algorithm-Based Holistic Approach to Optimize Charging Decisions of Traveling Electric Vehicles
编辑推荐:
摘要:电动汽车(Electric Vehicle, EV)驾驶员做出的非协调性及瞬时充电决策会在现有基础设施中形成瓶颈,导致效率低下、等待时间延长及资源损耗,进而阻碍可持续交通系统的发展。本研究提出一种"基于场景(scenario-based)"的优化方法,针
摘要:电动汽车(Electric Vehicle, EV)驾驶员做出的非协调性及瞬时充电决策会在现有基础设施中形成瓶颈,导致效率低下、等待时间延长及资源损耗,进而阻碍可持续交通系统的发展。本研究提出一种"基于场景(scenario-based)"的优化方法,针对独立EV驾驶员的随机行为,融合个体风险承担特征(risk-taking profiles)及弃站(balking)机制以促进基础设施可持续性。所提算法将离散事件仿真(discrete-event simulation)与作为决策支持机制的遗传算法(Genetic Algorithm, GA)相集成。优化对象锁定于系统在晚高峰达到稳态饱和点后进入路径的一批车辆(vehicle cohort)。GA参数采用田口法(Taguchi method)进行优化以最大化鲁棒性。结果表明,相较于驾驶员独立行动的基准场景(baseline scenario),所提决策机制可使优化车辆组的总行程时间降低最高达20%。总体而言,该模型为优化个体充电行为提供了一个可扩展框架,有助于实现电动汽车充电基础设施更可预测、资源高效及可持续的管理。
论文解读:《A Genetic Algorithm-Based Holistic Approach to Optimize Charging Decisions of Traveling Electric Vehicles》
研究背景与意义
随着电动汽车(Electric Vehicle, EV)普及率迅速提升,高功率充电基础设施部署相对滞后,导致晚高峰时段高速公路枢纽充电站出现局部瓶颈与长时间排队。现有系统中驾驶员通常依据最近或最便宜原则独立决策,造成部分站点拥堵而其余站点闲置,降低系统整体效能。传统运营模型多聚焦单站效率或未考虑全网动态驾驶员随机行为。由于获取真实高精度交通流与驾驶员耐心阈值数据困难,研究人员建立基于仿真的可控测试环境。该研究发表于《Sustainability》,旨在通过优化特定车辆群的充电站选择决策,在减少个体旅行时间的同时均衡站点负载,为可持续交通管理提供决策支持工具。
主要关键技术方法
研究人员采用Python及SimPy库构建单向260 km高速公路离散事件仿真模型,沿线每30 km设一座共8座充电站,每站8个充电桩,车辆代理具异构风险规避值导出临界电量阈值与等待容忍度,含弃站(balking)机制。选取第3天19:30系统稳态拥堵时段新入网的10辆车为目标群,以二进制编码染色体表示各车在各站充/否(1/0),约束最多充2次并由修复算子(reair operator)处理非法解。适应度函数以全仿真运行目标车群总旅行时间均值经Min–Max归一化并加缺电滞留惩罚项构成,通过遗传算法(Genetic Algorithm, GA)最小化之。GA超参数(种群规模、代数、交叉率、变异率、选择法、精英保留率)由田口法(Taguchi method) L18正交表设计实验并结合信噪比(S/N)分析与方差分析(ANOVA)确定最优组合,确保算法稳定性与收敛性。
研究结果
3.1. Simulation Results(仿真结果)
五日仿真共纳入13,107辆车,仅1辆因缺电滞留(stranded),平均旅行时间222.36 min,人均充电1.41次。高风险驾驶员倾向延后充电致平均等待约15 min长于低风险者约8 min;各风险档服务时间均约20–22 min受技术因素主导。站点占用率在12:00–20:00达35%–41%,夜间降至约12%;第3日晚19:30队列初现且网络占用处于高位平台期,验证其为典型高负荷优化窗口。
3.2. Optimization Results(优化结果)
经L18正交实验,部分组合(如实验9、10等)使目标车群总旅行时间较基准改善超20%。Taguchi分析取"望小特性(smaller-is-better)"得最优参数集:锦标赛选择(Tournament Selection)、种群规模200、迭代400代、双点交叉(Two-point Crossover)、变异率0.01、精英保留率0.1。ANOVA显示除变异率(p=0.090)接近显著外其余因子p<0.05,模型R2=94.50%。34次确认实验表明最优参数集平均适应度显著低于Taguchi实验组(p<0.05)且标准差更小,证明参数集提升性能与稳定性。最终GA优化相较个体自主决策使优化车群总旅行时间最多减少20%,兼顾防滞留软惩罚引导群体效率。
讨论与结论翻译
本研究构建了融合驾驶员异质行为与弃站机制的离散事件仿真试验床,并在此基础上应用经田口法调参的遗传算法优化电动汽车充电决策以最小化旅行时间。该"场景式"分散决策支持框架可扩展适配实路网实时数据(车载远程信息处理State of Charge及充电站管理系统占用信息),通过推荐合适充电位点与时机均衡设施使用、缓解高峰拥堵。局限为当前仅演示10车群组概念验证(Proof-of-Concept)且单次优化耗时约9 h,未来可通过并行计算或代理模型(surrogate models)加速;后续拟拓展至多目标优化(NSGA-II)、融入实时动态能耗与驾驶员多属性效用函数、及对比粒子群(Particle Swarm Optimization, PSO)与蚁群(Ant Colony Optimization, ACO)等元启发式算法。结论如下:电动汽车驾驶员非协调充电决策引致基础设施瓶颈;研究人员提出结合离散事件仿真与遗传算法(GA)之优化模型,并以田口法(Taguchi method)标定GA超参数;优化第3日晚高峰19:30入网10车之充电决策,结果显示较基准单独驾驶行为可使优化车群总旅行时间最高缩减20%,参数集经确认具统计显著性与高稳定性(R2=94.50%);所模块化框架可作分散式决策支持工具促进充电基础设施资源高效与可持续发展。