自動共享電動汽車的云-邊協調優化模型與控制策略

徐嘉楠 姜愛華

摘 要：針對自動共享電動汽車（shared autonomous electric vehicles，SAEV）運行出現的車輛分配不平衡以及充電優化問題，提出了一種基于云-邊協調計算的SAEV優化控制策略。首先，給出SAEV再平衡優化模型以及再平衡任務分配算法;其次，考慮使用V2G和動態電價進行SAEV車隊的充放電優化，給出SAEV車隊能量交換模型以及出行訂單分配算法，以減少整個SAEV車隊系統的充電成本；再次，利用云-邊協調通信將這些優化結果信息在不同平臺間進行互動傳輸，實現電動汽車的最優充電與遷移策略；最后，通過MATLAB使用真實的深圳出租車數據對該優化控制方法進行驗證。結果表明，該框架可降低充電成本，提高交通效率，有望擴展應用到更大規模的系統中。所提云-邊協調控制策略將復雜的SAEV優化問題分解成3個子問題進行求解，為SAEV的最優運行提供了一種新的方法。

關鍵詞：公路運輸管理；自動共享電動汽車；云-邊協調；再平衡；V2G；充電優化；需求響應

第一作者簡介：

徐嘉楠（1997—），男，江西豐城人，碩士，主要從事自動共享電動汽車充放電方面的研究。

通信作者：

姜愛華副教授。E-mail：1261153682@qq.com

Cloud-edge coordinative optimization model and control strategy for shared autonomous electric vehicles

XU Jianan，JIANG Aihua

（School of Electrical Engineering， Guangxi University， Nanning， Guangxi 530004， China）

Abstract：Aiming at the problems of vehicle imbalance and charging optimization of shared autonomous electric vehicle （SAEV） operation， an optimal control strategy based on cloud-edge coordination calculation for SAEV was proposed. Firstly， a SAEV rebalancing optimization model and a rebalancing task allocation algorithm were proposed. Secondly， considering V2G and dynamic electricity price to optimize the charging and discharging of SAEV fleet， a SAEV fleet energy exchange model and a trip order allocation algorithm were proposed to reduce the charging cost of the entire SAEV fleet system. Then， the cloud-edge coordination communication was used to transfer these optimization results among different platforms， so as to realize the optimal charging and moving strategy of electric vehicles. Finally， the optimization control method was verified in MATLAB by using the real Shenzhen taxi data. The results show the framework can reduce the charging costs and improve the transportation efficiency， and is expected to be applied to larger scale of systems. The proposed cloud-edge coordinative control strategy divides the complex SAEV optimization problem into three sub-problems， and provides a new method and idea for the optimal operation of SAEV.

Keywords：highway transportation management; shared autonomous electric vehicles; cloud-edge coordination; rebalance; V2G; charging optimization; demand response

溫室氣體排放增加導致全球氣候變暖是當前國際社會普遍關注的問題，而交通運輸系統所消耗的化石燃料是溫室氣體排放的主要來源。因此，能源消耗更少、溫室氣體排放更少、通行效率更高的綠色交通是當前城市出行的主流趨勢。自動共享電動汽車（shared autonomous electric vehicles， SAEV）的發展是解決城市問題的新手段，它可以進一步提高車輛的移動性、安全性，以及城市交通的環保性。SAEV更容易控制和優化，作為柔性負荷提供輔助服務^［1］，實現快速、大規模的需求響應。此外，它還可以利用車到網（V2G）技術為電網提供一些額外的服務，如峰值發電、運行儲備和調節^［2］，允許更深層次的電網整合，是實現汽車電氣化潛在環境效益的基礎^［3］。

與往返式的共享汽車系統相比，單程式的共享汽車系統能夠明顯提高用車的靈活性^［4］。然而，由于用戶出行具有潮汐性和不平衡性^［5］，一個地區通往另一地區的流量與其反向通行的流量通常不相等，單程式的共享汽車系統會造成地區之間車輛分布不平衡，進而降低共享汽車系統的整體效率。因此，再平衡問題是實現SAEV優化的一個重要問題。再平衡過程將可以有效地將SAEV從車輛密集區域轉移至車輛稀疏區域，進而平衡整個地區的車輛分布，減少乘客的等待時間。

研究人員在私人電動汽車充放電優化方面已經開展了許多研究，但是在為共享電動汽車設計充電和再平衡優化方面的工作十分有限，其研究主要集中在車輛運輸方面，即通過優化車輛再平衡時間來最小化乘客的等待時間。文獻［6］提出了一個模擬SAEV車隊性能特征的模型，減少充電時間會降低車隊響應時間。文獻［7］介紹了一個有預約機制的電動汽車共享系統模型，通過最大化汽車共享運營商的凈收入和用戶的利益來確定最佳車隊規模。文獻［8］研究了在不同的場景下，SAEV優化結果對算例參數的敏感性。在目前大多數研究中，當考慮SAEV的充電時，充電優化的優先級通常是次于運輸優化的，并且忽略了車輛充電對電網造成的影響^［9-10］。文獻［11］開發了一個優化框架，用于在車隊環境中優化電動車輛的路線和充電，這項工作還包括討論該車隊對配電網的可能影響。文獻［12］在東京開發了一個基于啟發式的充電調度模擬模型，評估了該模型降低充電成本和向電網提供運行儲備的潛力。文獻［13］提出了一種模型預測控制方法，用于優化具有最優再平衡和考慮車輛充電約束的自主汽車共享系統，但其只能在小規模的系統中應用。

SAEV在未來交通與電網的整合之中將扮演十分重要的角色，但現階段研究還缺少真正能夠應用到大規模系統的模擬案例。因此本文建立了一個SAEV系統優化框架，以模擬SAEV車隊的出行以及充電優化服務，其中包括充電優化模型和交通優化模型，該系統模型可以周期性地進行車輛再平衡遷移和充電優化。為了整合優化模型，提出了一種基于云-邊協調的控制優化框架，采用2種算法分別用于車輛的再平衡與訂單任務，得到一個更易于處理的解決方案，并使用V2G和動態電價進行充電優化，減少SAEV車隊整體的充電成本，同時能夠及時滿足乘客的出行需求。通過深圳的真實數據集驗證了該系統在降低成本和提高交通效率方面的潛力。

1 SAEV的再平衡優化模型及分配算法

1.1 SAEV再平衡優化模型

在人們的交通出行中，出行者總是希望減少在出發地點的等待時間，因此需要一種實用的車輛再平衡策略，以更好地利用預測未來旅行需求來重新平衡空閑的SAEV。因此，第1步需計算未來時間里節點間的車輛不平衡度；第2步要以減少再平衡時間為目標，通過優化找到最佳的車輛遷移策略來消除或降低不平衡。

為了了解車輛需要多少能量，以及有多少車輛可以充電，需要對車輛行駛時間和利用率進行粗略估計。在再平衡優化的時間區域內，通過最大化搬遷車輛的數量解決整個地區的車輛分布不平衡問題：

在再平衡優化階段的t時刻，式（1）的目標是使能被搬遷車輛總數最大化，并且優先考慮臨近節點的搬遷活動，其中決策變量xij為需要為再平衡任務移動的車輛數量，Tij為節點i，j之間的行程時間，Tmax是最大再平衡行程時間。式（2）中的Xi定義為i節點的不平衡度，ni和li分別為該時間區間內到達和離開節點的預期乘客人數。式（3）分別規定了當i節點不平衡度為正（即i節點在上一時刻駛出的車輛數量小于駛入的車輛數量）時，i節點參與再平衡任務的車輛數量不能大于該節點的不平衡度；當i節點的不平衡度不為正時，不從該節點遷移車輛；當j節點的不平衡度為負時，以j節點為目的地的再平衡任務應該不大于j節點不平衡度的絕對值。

1.2 再平衡任務車輛分配算法

根據再平衡優化模型所制定的計劃對車輛進行再平衡。該模型僅得到了每個節點之間需要參與再平衡活動的車輛總數，因此本文使用分配算法決定在節點上可用的車輛中遷移哪些特定的車輛。圖1給出了再平衡車輛分配算法的流程。首先定義了1組滿足參與再平衡任務條件的車輛集合κ。這些車輛需要滿足以下3個條件：1）所在的節點或車輛最終目的地為節點i；2）到目的地的行程時間dk與預期再平衡行程時間Tij之和需要小于最大的再平衡行程時間Tmax；3）車輛剩余的電量足夠完成整個行程。當有再平衡任務需要執行時，算法將此刻SOC最高的可用車輛分配給該任務，之后更新該車的目的地和與最終目的地的旅行時間。最后，將此車輛從可用車輛集合移除，并將未完成的再平衡任務減少1。如果沒有可用的車輛，算法退出循環，繼續考慮下一個節點（i+1），直到遍歷完所有節點，此時分配算法結束。

2 SAEV的充電模型及分配算法

2.1 充電優化模型

與針對私人電動汽車的充電優化模型不同，為了使模型能夠在更大規模的算例中進行應用，本文采用的是整個SAEV車隊的充電優化，因為模型的重點不是單臺汽車的能量演化模型，而是整個SAEV系統的成本與效率^［14］。整個SAEV車隊能夠通過需求響應來降低充電的成本，提高乘客的用戶滿意度。充電優化最終決定了車隊和電網交換的能量總量。充電優化模型如下所示。

式（4）的目標是在充電優化周期范圍內將充電成本最小化，其中充電優化存在2個決策變量：1）E（t），即車隊在充電站內為電池充電的總能量;2）G（t），即車隊向電網出售的總能量。βe（t）為實時電價，βb（t）為電池循環費用系數，λ是一個足夠大的數，這樣能夠保證優化周期最后時刻電動汽車不會徹底放電。式（5）表示整個車隊所儲存的能量演化過程，其中Q（t）為SAEV車隊中所儲存的總能量，η為V2G的效率，α為電池消耗系數，即電動汽車行駛時每分鐘所需要消耗的能量，hT（t）為乘客出行的總時間，hR（t）由再平衡優化中所得到。式（6）約束了SAEV車隊中所儲存的總能量的上限與下限，m為SAEV車隊的規模大小，b為單臺電動汽車的電池容量，qmin，qmax分別為單臺電動汽車的SOC下限與上限，σ為一個常數，這個常數能夠防止電動汽車過放電。式（7）表示t時刻完成再平衡任務所需要的時間。式（8）表示在整個再平衡優化階段SAEV系統能夠交換的最大能量，Tc為再平衡優化的時間長度，hT（t）為在再平衡優化的所有乘客出行訂單的時間總和，Pc為SAEV的充電功率。式（9）與式（10）為充電與V2G放電的上限與下限。

2.2 車輛訂單分配算法

當完成了交通再平衡優化與充電優化后，此時應遵循出行請求的順序，即先來后到的順序對車輛進行訂單的分配。如圖2所示，本文定義在t時刻所有的旅客出行請求集合為Pt，θn表示每個乘客訂單請求，κ表示一組滿足訂單需求的可行駛車輛，這些車輛有足夠的電量來滿足所有行程的要求。對于κ中所包含的每一輛車，定義了一個車輛分配優先級系數δk，其中dk為車輛k為完成當前任務仍剩余的行駛時間，T（vk，i）為車輛行駛目的地（若處于空閑或充電狀態即為當前位置）距離訂單起始位置i點需要行駛的時間步長，若這兩者相加最小，即兩者相加的負值為最大，即為優先級最大。將請求分配給優先級系數δ最高的車輛，即選擇最近的車輛分配訂單，然而有可能會存在多輛SAEV優先級系數同樣大的情況，這時還需引入一個電量比較系數（1-qk），即在相同優先級系數的多輛SAEV中選擇當前剩余電量最多的車輛進行任務分配，此外，需要給電量比較函數增加一個分母，這是為了減少電量在優先級中的重要性，優先比較的還是實際車輛能夠到達訂單起始點所花費的時間。如果在集合κ中沒有具備滿足行程的車輛，則將該請求添加到下一個時間步驟的請求Pt+1中。

2.3 車輛的能量演化模型

在結束訂單指派之后，開始計算下一時刻車輛k仍剩余的行駛時間：

同時對電動汽車的狀態進行定義：

式中：uk（t），wk（t）為0，1變量；wk（t）為車輛k的行駛狀態；uk（t）為車輛的停止狀態。式（13）規定車輛只有行駛和停止2種狀態。

式（14）和式（15）分別表示k車在t時刻的充電與放電功率，式（16）表示單臺SAEV的能量演化模型。

3 云-邊協調控制策略

3.1 云-邊協調框架

隨著車聯網技術的發展，云計算將難以滿足大規模電動汽車所需要采集的數據傳遞、計算和儲存的實時需求。云-邊協調計算框架能夠有效彌補云計算遠離數據中心的不足，同時借助云計算強大的優化協調和控制能力，利用邊緣側更加接近用戶側的優勢，在邊緣對數據進行處理，提高系統的響應能力，同時協調云端、邊緣側和車載終端三方進行數據的交換通信^［15］。如圖3所示，云平臺不僅接收車輛的信息，還需要從需求側管理服務器獲取電網的實時負荷、電價數據，同時預測出行訂單數據，以進行決策。邊緣側接受來自于云計算平臺的優化參數，并將車載終端的車輛狀態以及周邊環境狀態進行處理之后上傳至云平臺，此外，不同的邊緣平臺之間還同樣存在信息交互，更大范圍覆蓋的云邊協調服務^［16］。車載終端在行駛過程中上傳實時的車輛信息和周邊道路信息，并且接受邊緣層的充電和遷移指令。

本文以SAEV為研究對象，從充電調度和再平衡調度2個方面研究SAEV與電網的相互作用。假設車輛由監督共享運輸服務的公司或實體管理，由一個中央機構（云計算平臺）接受來自乘客的呼叫請求，移動到充電站的決定和充電量是分散的，取決于每輛汽車的SOC、等待時間、總運輸需求，以及當前和預期的電價。邊緣計算平臺存在于距離車載終端較近的區域，可以是智能交通信號燈、電動汽車充電樁等設備^［17］，其接收云平臺優化的實時數據，采用本文所提出的算法進行車輛的任務分配，并與邊緣側相近的車輛進行信息溝通，對其下達充電或遷移指令。最后，SAEV收到移動指令進行訂單的運輸工作或連入電網進行充放電活動。

3.2 控制策略與流程

本文的優化目標是SAEV車隊的路線、再平衡和充電過程，在減少乘客等待時間的同時，考慮實時電價，將充電成本降至最低。然而，充電與再平衡過程有著不同的優化時域要求。電動汽車充電通常需要在幾個小時的控制范圍內進行優化，原因是：1）電力需求和可再生能源（如風能和太陽能）的生產變化相對緩慢，而變化的自然時間框架可以是幾個小時^［18］；2）頻繁的充放電計劃會導致電池壽命下降。另一方面，因為車輛共享行程的平均持續時間通常為10～20 min，因此為了車隊重新平衡而進行的車輛遷移優化時域也應該在這個范圍內^［19］。為了應對建模的復雜性，所提框架將原始問題建立為3個獨立的子問題：1）再平衡遷移問題；2）充電優化問題；3）分配車輛給訂單和再平衡任務。每個問題都采用了不同的時間步長，車輛分配的時間步長較短，能夠快速地滿足乘客的交通需求，與之相反，充電和再平衡的時間步長較長。在不同的時間點，通過云-邊-端框架進行數據通訊，從而達到總體優化的效果。

本文采用一種模型預測控制（MPC）方法來優化再平衡與充電過程。模型預測控制作為研究不確定系統的優化控制方法，本質上是一種基于模型的閉環優化控制算法，通過預測模型來預測其未來可能的變化，進而選擇更好的控制行為。模型預測控制中，每個時間步在一個時間范圍內執行優化，并且只執行第1個控制動作。這確保了在每一個時間步驟中，當采取當前動作時，控制使用直到未來預測范圍的所有可用信息。如圖4所示，在本文中，充電優化步長Hc設定為30 min，再平衡優化步長Hr設定為10 min，而車輛分配的步長為1 min。充電優化、再平衡優化與車輛分配算法三者之間的關系如圖5所示。

圖6為模型流程。當mod（t，Hc）=0時，執行充電優化，此時的充電優化序列為c，充電優化中的優化時域Tc=NcHc，而優化時域內的時間序列τ=［1，2，…，Tc］，因此充電模型將在［t，t+Tc］這個時間域內進行優化，優化步長為Hc，一旦找到模型最優解，即最佳充電和放電控制策略，將控制序列的第1個值Ec（1），Gc（1）傳遞給仿真模型，這些值被SAEV能量模型用作約束，以控制在單個車輛和電網之間傳輸能量的量。

同理，當mod（t，Hr）=0時，執行再平衡優化，此時的再平衡優化序列為r，滾動時域Tr=NrHr，其中優化時域內的時間序列=［1，2，…，Tr］，再平衡優化模型將在［t，t+Tr］這個時間域內進行優化，優化步長為Hr。當模型找到最優解時，將控制序列的第1個優化結果傳遞給車輛分配算法，最后實現車輛的再平衡移動。

4 算例分析

4.1 基本參數

本文算例的交通數據選取深圳市2014-10-22的出租車出行數據^［20］，在對數據噪聲進行清洗之后，一共選取了14 128次出行請求，圖7為所有出發及目的節點所產生的出行訂單熱力圖。

此外，根據深圳市交通運輸委員會的數據，本文選用2015年深圳晚高峰的平均車速25 km/h作為車輛出行速度，選取晚高峰車速能夠測試本文中的優化算法在極限情況下的乘客等待情況。電池容量選取比亞迪秦PLUS的近似電池容量50 kW·h，其他詳細參數見表1。為了方便后續算例的計算分析，本文使用k-means聚類算法將出行請求的起點和目的地位置聚合成幾個固定的節點。k-means聚類算法將所有出行訂單的出發地與目的地坐標點的集合作為樣本數據集，然后在樣本的數據集里隨機選取數個數據點作為初始聚類中心，之后計算所選數據集中每個用戶數據和初始聚類中心之間的距離，然后產生新的聚類中心，最后判斷聚類是否收斂，詳細的聚類公式在此不再贅述。

根據圖7，大部分乘客的上下車地點集中在深圳市的下半部分，即南山、福田和羅湖區，因此聚類的首要目的是要對這些乘客上下車密集區域進行適當的區域劃分，如果是聚類點數太少，則不能很好體現交通數據的準確性；如果聚類點數太多，則會給仿真過程增加不必要的計算量。因此在權衡仿真準確性與計算量之后，本文最終選擇了50個點作為劃分乘客上下車的區域，并且假設每個節點都存在一個無限容量的充電站，如圖8所示。

4.2 結果討論

本文使用MATLAB對整個仿真優化框架進行模擬，并使用MATLAB中內置的intlinprog函數對式（1）和式（6）中的混合整數線性優化問題進行計算。選取400輛SAEV進行模擬分析，以盡可能地減少乘客的等待時間，同時增加整個SAEV系統的容量進行調度。對3種充電策略進行對比：1）無序充電策略，車輛在閑時即連入充電站進行充電；2）本文所提出的

不考慮V2G的有序充電策略；3）考慮V2G的有序充電策略。

為了減少優化結束時刻車輛SOC水平不同所帶來的影響，本文連續進行了7 d的優化模擬，將前一天最后時段的SOC作為第2天開始時的SOC，最后得到模擬優化結果。結果表明，在有序充電的引導下，V2G并不影響乘客的等待時間，因此選擇了充電策略1與充電策略3進行比較，如圖9所示，在16：00～17：00時，有序充電相較無序充電的乘客等待時間增加了3.2%，這是因為此時充電價格為平電價，有序充電策略引導車輛在電價高峰前進行充電，從而增加了此刻有序充電的乘客等待時間。而在18：00～19：00時，由于前一時間段為平電價，有序充電引導車輛進行了大量的充電，車輛整體SOC水平較高，有序充電將會引導車輛充電時間后移，從而優先滿足交通運輸的需求。因此有序充電相較無序充電的乘客等待時

間減少了13.3%。但總體而言，無序充電與有序充電策略對于乘客等待時間的影響并不顯著，這主要是因為在有序充電策略中，有序充電可以引導車輛充電時間后移，交通運輸需求能夠被優先滿足。

本文模擬了在有序充電策略的引導下，無再平衡優化與再平衡優化對于乘客等待時間的影響。無再平衡優化即按需移動，當沒有可派遣車輛的節點出現出行訂單時，從臨近的節點尋找合適的共享汽車進行移動。如圖10所示，在0：00～6：00時間段的出行訂單數相對較少，每個節點的車輛數量比較充裕，此時乘客等待時間基本為0。經過6 h的車輛遷移過程后，由于各個節點的車輛數量開始出現不平衡，在某些節點中出現了沒有車輛可以派遣的情況，因此當有新的訂單出現時，需要重新從鄰近的節點進行遷移，這樣必然將會增加乘客的等待時間。在6：00～19：00時，由于訂單的增加，整個地區車輛不平衡的狀態將會逐漸加劇，進而使得乘客的等待時間大幅增加。在模擬中，再平衡優化能夠減少每次出行乘客平均1.45 min的等待時間，其能夠顯著提升整個共享汽車系統的效率，減少乘客的等待時間。

然而，再平衡優化雖然在減少乘客等待時間、提高用戶滿意度方面有著十分顯著的效果，但是由于再平衡優化將空閑車輛移動至不平衡的節點，當不平衡節點在未來時刻并沒有足夠的出行請求時，相較于“按需移動”，會增加一些SAEV的移動成本。表2列出了有再平衡優化與無再平衡優化的充電花費，相較于“按需移動”，車輛日均充電花費增加了807.8元。但對于SAEV系統而言，優先需要考慮的是乘客的等待時間。在用戶滿意度優先的條件下，這些成本是可以接受的。

表2同樣列出了3種充電策略的充電花費情況，不難看出，有序充電相較于無序充電，其能夠有效地減少充電的成本，這不僅僅是因為閑時的SAEV能夠通過V2G向電網輸送能量，更主要的原因在于需求響應的幫助。如圖11所示，通過實時電價的引導，車輛能夠在電價低谷時充滿電，電價峰值時作為儲能設備向電網輸送能量。具體而言，0：00～7：00時屬于谷電價時間，此時車輛出行訂單量也為一天內最少，因此大部分的車輛都連接在充電站內充電，7：00～10：00屬于平電價，此時的車輛一方面進行出行訂單的接送，一方面進行再平衡優化移動，因此車輛同樣偏向在平電價時刻充電補充交通移動所消耗電量，此后在10：00～14：00屬于峰值電價，此時車輛通過V2G向電網售出了大量的電能，經過這時段之后的SAEV車隊的整體SOC水平都將偏低，需要在低電價時刻進行大量的充電，故14：00～18：00每個小時都有大量的充電功率。18：00～21：00將再售出SAEV車隊里的一部分能量，剩下一部分能量需要滿足乘客的訂單需求。21：00～24：00沒有太大的功率波動，這是因為車輛進行的是連續7 d的模擬測試，車輛傾向在第2天0：00～7：00谷電價時期補充電量，將SAEV車隊的整體電量提升至較高水平以滿足這一天的出行需求。

4.3 車隊規模的影響

本文分別對車隊規模為300，350，400輛時進行仿真，探究在訂單數不變的情況下，車隊規模對于充電成本及顧客等待時間的影響。如圖12所示，對無序充電而言，車隊規模對于其充電花費的結果影響都不大，這是因為雖然隨車隊規模的增大，車隊所需要再平衡的費用將會減少，但同時更大規模的車隊同時需要充入更多的電，因此車隊規模對于無序充電的成本影響并不顯著。

對于有序充電而言，V2G能夠有效地減少車隊的充電花費，且隨著車隊規模的增大，減少的幅度越大，這是因為當系統內共享電動汽車數量越多時，意味著可支配的電力柔性負荷越多，這樣能夠在電價低谷時充入更多的電量，同時在電價高峰時賣出，最后使得充電成本大大減少。當車隊達到更大規模時，可以把整個SAEV車隊抽象成一個巨大的蓄電池為電力系統提供充放電服務，但實際上更大規模的車隊意味著更大的系統基礎設施成本投入，所以該控制策略還可以為SAEV車隊的規模制定提供參考。

如圖13所示，無論車隊規模的大小，3種不同的充電策略對于乘客的平均等待時間影響不大。隨著車隊規模的增大，能夠分配到每個節點上的車輛會越多，因此乘客的等待時間將會大大縮短。

當車隊規模為400輛時，每次模擬的時間約為4 s。經過測試，本文模型完全可以拓展到大規模的調度當中。例如將訂單數和車隊規模提高2個數量級時，完成1次24 h模擬平均花費的時間只需要70 s，證明該模型可以適應更復雜的模擬，為實時優化調度提供了可能性。

5 結 論

為了解決SAEV運行問題，針對SAEV的出行特性以及調度機制，提出了一種基于云-邊協調框架的SAEV優化控制策略，將一個SAEV的復雜優化問題分成了再平衡優化、充電優化以及車輛交通運行調度3個子問題進行求解，實現電動汽車的最優充電與遷移策略。使用深圳出租車出行數據驗證了該優化控制方法，得出結論如下。

1）在有序充電的引導下，V2G并不會影響乘客的等待時間，且能夠有效減少SAEV車隊的充電成本。提出的再平衡優化策略雖然為SAEV系統增加了一些成本，但能夠為出行乘客平均每次減少145 min的等待時間，顯著提升整個共享汽車系統的效率，提高乘客滿意度。

2）對不同的車隊規模進行了比較，隨著車隊規模的增大，乘客的等待時間將會大大縮短。當車隊達到更大規模時，得益于V2G技術可以有效地減少車隊的充電花費。對模型的可拓展性進行了模擬，證明該優化策略可以擴展到更大的系統中，為實時優化調度提供了可能性。

本文假設每個聚合節點都存在一個無限容量的充電站，但在實際充電站布局中，充電站的覆蓋規模并不能達到這種理想情況，另外也忽略了SAEV在充電站內排隊等待充電的影響。因此，下一步的研究重點將考慮基礎充電設施的約束，探究充電站的位置、規模、容量大小、充電速度等因素對SAEV優化結果的影響。

參考文獻/References：

［1］VOSOOGHI R，PUCHINGER J，BISCHOFF J，et al.Shared autonomous electric vehicle service performance：Assessing the impact of charging infrastructure［J］.Transportation Research Part D：Transport and Environment，2020，81.DOI： 10.1016/j.trd.2020.102283.

［2］ SHAHEEN S A，CHAN N D，MICHEAUX H.One-way carsharing′s evolution and operator perspectives from the Americas［J］.Transportation，2015，42（3）：519-536.

［3］ ZHONG Lingshu，PEI Mingyang.Optimal design for a shared swap charging system considering the electric vehicle battery charging rate［J］.Energies，2020，13（5）.DOI： 10.3390/en13051213.

［4］ 陳萍，宋思勰，劉曉彤.基于超停的共享電動汽車再平衡調度［J］.工業工程與管理，2022，27（2）：128-135.

CHEN Ping，SONG Sixie，LIU Xiaotong.Vehicle relocation problem based on over-parking practice for shared electric vehicle system［J］.Industrial Engineering and Management，2022，27（2）：128-135.

［5］ 張瑞友，王朝鳴，王德成.考慮充電調度的共享電動汽車調運模型與優化［J］.系統工程理論與實踐，2021，41（2）：370-377.

ZHANG Ruiyou，WANG Chaoming，WANG Decheng.Modeling and optimization of transportation problem for shared electric-cars with recharging scheduling［J］.Systems Engineering-Theory & Practice，2021，41（2）：370-377.

［6］ LOEB B，KOCKELMAN K M，LIU J.Shared autonomous electric vehicle （SAEV） operations across the Austin，Texas network with charging infrastructure decisions［J］.Transportation Research Part C：Emerging Technologies，2018，89：222-233.

［7］ BOYACI B，ZOGRAFOS K G，GEROLIMINIS N.An optimization framework for the development of efficient one-way car-sharing systems［J］.European Journal of Operational Research，2015，240（3）：718-733.

［8］ ZHANG Li，LIU Zhongshan，YU Lan，et al.Routing optimization of shared autonomous electric vehicles under uncertain travel time and uncertain service time［J］.Transportation Research Part E：Logistics and Transportation Review，2022，157.DOI： 10.1016/j.tre.2021.102548.

［9］ GREENBLATT J B，SAXENA S.Autonomous taxis could greatly reduce greenhouse-gas emissions of US light-duty vehicles［J］.Nature Climate Change，2015，5（9）：860-863.

［10］WEISS J，HLEDIK R，LUEKEN R，et al.The electrification accelerator：Understanding the implications of autonomous vehicles for electric utilities［J］.The Electricity Journal，2017，30（10）：50-57.

［11］CHEN T D，KOCKELMAN K M，HANNA J P.Operations of a shared，autonomous，electric vehicle fleet：Implications of vehicle & charging infrastructure decisions［J］.Transportation Research Part A：Policy and Practice，2016，94：243-254.

［12］IACOBUCCI R，MCLELLAN B，TEZUKA T.Modeling shared autonomous electric vehicles：Potential for transport and power grid integration［J］.Energy，2018，158：148-163.

［13］ZHANG R，ROSSI F，PAVONE M.Model predictive control of autonomous mobility-on-demand systems［C］//2016 IEEE International Conference on Robotics and Automation （ICRA）.Stockholm：IEEE，2016：1382-1389.

［14］JIANG Aihua，WEI Hua，DENG Jun，et al.Cloud-edge cooperative model and closed-loop control strategy for the price response of large-scale air conditioners considering data packet dropouts［J］.IEEE Transactions on Smart Grid，2020，11（5）：4201-4211.

［15］楊軍，林洋佳，陳杰軍，等.未來城市共享電動汽車發展模式［J］.電力建設，2019，40（4）：49-59.

YANG Jun，LIN Yangjia，CHEN Jiejun，et al.The future development mode of sharing electric vehicles in the cities［J］.Electric Power Construction，2019，40（4）：49-59.

［16］張巍，王丹.基于云邊協同的電動汽車實時需求響應調度策略［J］.電網技術，2022，46（4）：1447-1456.

ZHANG Wei，WANG Dan.Real-time demand response scheduling strategy for electric vehicles based on cloud edge collaboration［J］.Power System Technology，2022，46（4）：1447-1456.

［17］陳明慶，李建林.基于局部電壓幅值與云邊協同的分散式充電樁充電協調方法［J］.電力建設，2020，41（6）：60-68.

CHEN Mingqing，LI Jianlin.A charging coordination method for distributed charging piles considering local voltage amplitude and cloud-edge collaboration［J］.Electric Power Construction，2020，41（6）：60-68.

［18］林歆悠，翟柳清，林海波. 基于行駛工況的混合動力電動汽車能量管理策略研究現狀分析［J］.河北科技大學學報，2016，37（5）：457-463.

LIN Xinyou，ZHAI Liuqing，LIN Haibo. Research status of hybrid electric vehicle energy management strategy based on the driving cycle［J］. Journal of Hebei University of Science and Technology，2016，37（5）：457-463.

［19］BOLDRINI C，BRUNO R，LAARABI M H.Weak signals in the mobility landscape：Car sharing in ten European cities［J］.EPJ Data Science，2019，8（1）.DOI： 10.48550/arXiv.2109.09832.

［20］WANG Guang，CHEN Xiuyuan，ZHANG Fan，et al.Experience：Understanding long-term evolving patterns of shared electric vehicle networks［C］//The 25th Annual International Conference on Mobile Computing and Networking.Los Cabos：Association for Computing Machinery，2019：1-12.