Een op knooppunten gebaseerd, op grafieken gebaseerd online herbalanceringsbeleid voor autodelen met elektrisch opladen met capaciteit

Aangezien de samenstelling van autodeelparken de wereldwijde verschuiving naar elektrische voertuigen (EV) weerspiegelt, zullen exploitanten unieke uitdagingen voor de planning van EV-vloot moeten aanpakken. Deze omvatten vereisten voor gebruikerstijd en afstand, tijd die nodig is om voertuigen op te laden en distributie van oplaadfaciliteiten, inclusief beperkte beschikbaarheid van snellaadinfrastructuur (vanaf 2019 zijn er zeven snelle openbare DC-laadstations in Manhattan, waaronder Tesla-stations). Vanwege dergelijke factoren hangt de levensvatbaarheid van elektrische autodeelactiviteiten af ​​van algoritmen voor het opnieuw in evenwicht brengen van de vloot.

Er staat veel op het spel omdat potentiële klanten uiteindelijk kunnen wachten of toegang krijgen tot een verder gelegen locatie, of zelfs afzien van het gebruik van de service als er geen voertuig beschikbaar is in een redelijke nabijheid (wat een aanzienlijke toegang kan inhouden, bijv. het nemen van een metro van het centrum van Manhattan naar midtown om een ​​auto op te halen) of geen parkeer- of inleverlocatie in de buurt van de bestemming.

In een nieuwe studie, gepubliceerd in het tijdschrift Transportwetenschap, presenteren de auteurs een algoritmische techniek op basis van grafentheorie waarmee elektrische mobiliteitsdiensten zoals autodelen de bedrijfskosten kunnen verlagen, deels omdat het algoritme in realtime werkt en anticipeert op toekomstige kosten, waardoor wagenparken gemakkelijker kunnen overstappen op EV-activiteiten in de toekomst.

De gebruikelijke praktijk voor het plannen van autodelen is dat gebruikers specifieke tijdvakken boeken en een voertuig vanaf een specifieke locatie reserveren. De retourlocatie moet hetzelfde zijn voor “tweerichtingssystemen”, maar is versoepeld voor “eenrichtingssystemen”. Voorbeelden van free-floating systemen waren het BMW ReachNow autodeelsysteem in Brooklyn (tot 2018) en Car2Go in New York City. Deze twee systemen zijn onlangs samengevoegd tot ShareNow, dat niet langer op de Noord-Amerikaanse markt is.

Herbalancering houdt in dat het systeempersoneel of gebruikers (via incentives) periodiek voertuigen afzetten op locaties die het aanbod beter op de vraag kunnen afstemmen. Hoewel er een overvloed aan literatuur is over methoden om autodelen opnieuw in evenwicht te brengen, is onderzoek naar het opnieuw in evenwicht brengen van EV’s om de toegang tot laadstations te optimaliseren beperkt: er is een gebrek aan modellen die zijn geformuleerd voor het opnieuw in evenwicht brengen van autodelen in één richting die al het volgende omvat: 1) de stochastische dynamische aard van herbalancering met stochastische vraag; 2) rekening houdend met de toegangskosten van gebruikers tot voertuigen; en 3) capaciteiten bij EV-laadstations.

De onderzoekers bieden een innovatief herbalanceringsbeleid op basis van kostenfunctiebenadering (CFA) die gebruikmaakt van een nieuwe grafiekstructuur waarmee de drie uitdagingen kunnen worden aangepakt. Het herbalanceringsbeleid van het team maakt gebruik van kostenfunctiebenadering waarbij de kostenfunctie wordt gemodelleerd als een verplaatsingsprobleem op een knooppunt-ladingsgrafiekstructuur.

De onderzoekers valideerden het algoritme in een casestudy van elektrisch autodelen in Brooklyn, New York, met vraaggegevens die werden gedeeld door BMW ReachNow-activiteiten in september 2017 (262 wagenpark, 231 pick-ups per dag, 303 verkeersanalysezones) en locatiegegevens van laadstations ( 18 laadstations met 4 poortcapaciteiten). De voorgestelde niet-bijziende herbalanceringsheuristiek vermindert de kostenstijging in vergelijking met bijziende herbalancering met 38%. Andere managementinzichten worden verder besproken.

De onderzoekers meldden dat hun formulering hen in staat stelde expliciet rekening te houden met het laadvraagprofiel van een klant en de herbalancering van inactieve voertuigen dienovereenkomstig in een online systeem te optimaliseren. Ze meldden ook dat hun aanpak het verplaatsingsprobleem in 15%-89% van de rekentijd van commerciële oplossers oploste, met slechts 7-35% optimaliteitslacunes in een enkele beslissingsperiode voor het herbalanceren.

De auteurs van het onderzoek zeggen dat toekomstige onderzoeksrichtingen dynamische vraag (functie van tijd, prijs en andere factoren), datagestuurde (machine learning) algoritmen voor het updaten, meer realistische/commerciële simulatieomgevingen met behulp van gegevens van grotere operaties en gedetailleerde kosten-batenanalyse omvatten. op de afwegingen van EV’s en reguliere voertuigen.