Abstract

This paper presents a new approach for hinterland modelling based on the results of port choice modelling. The paper follows the idea that the shippers' port choice is a trade-off between various objective and subjective factors. The presented model tackles the problem by applying the AHP method in order to obtain ports' preference rates based on subjective factors, and combine them with objective factors, which include port operation costs, sailing times, and land transport costs using MILP. The ports' hinterlands are modelled by finding the optimal port of choice for different locations across Europe and merging the identical results. The model can be used in order to produce captive hinterland of ports and can also be exploited in order to analyse how changes in the traffic infrastructure influence the size of hinterlands. Članek predstavlja nov pristop za modeliranje pristaniškega zaledja na podlagi rezultatov izbire pristanišča. Metodologija je osnovana na ideji, da je izbira pristanišča kompromis med raznimi tako objektivnimi kot tudi subjektivnimi dejavniki. Predstavljen model rešuje problematiko z uporabo metode AHP za določitev preferenčnih stopenj pristanišč na podlagi subjektivnih dejavnikov, katere nato združi z objektivnimi izračuni, ki vključujejo operativne stroške, čase plutja ter stroške zemeljskega transporta z uporabo metode MILP. Modeliranje zaledja je izvedeno z določitvijo optimalnega pristanišča za razne lokacije znotraj Evrope in z združevanjem istih rezultatov. Model je možno uporabiti za določanje zajetega zaledja pristanišč, prav tako pa ga je možno uporabiti za razne analize kako spremembe v prometni infrastrukturi vplivajo na obliko zaledij.

Abstract

To deal with the massive deployment of electric vehicles, charging stations must be properly placed. This is an extremely important issue that must be resolved before many electric vehicles are manufactured and governmental authorities start adopting policies to initiate higher electromobility. A poor design of the charging infrastructure can cost a significant amount of resources and can disrupt the electric vehicle users’ convenience, can offer poor quality of service and other user dissatisfaction. A public charging location is defined as location in a road network, where any electric vehicle user can come to charge his battery. Due to various charging technologies, the charging service can be fulfilled by shorter or longer charging time depending on the power transfer capacity and the disposable charging time of the users. The charging station must be within the reachable driving range distance of the electric vehicles and must provide a charging service for majority of users at a lower cost and higher quality. In this dissertation, we present a new optimisation procedure for charging stations placement. The introduced methodology takes into account the electric vehicle users, the electric and road networks. The electric power system reliability check, quality of service and charging reliability of the charging infrastructure are used as optimisation criteria, while placing charging stations of different charging technology by minimal investment costs. Electric power system reliability check is incorporated in the optimisation constraints by using a DC model to calculate the power flows. In this part, the charging reliability criterion of the charging infrastructure is defined as selecting at least one candidate location within the driving range of the electric vehicles in order to ensure unlimited mobility. Another criterion is the quality of service required by the electric vehicle users, which considers the time the users are willing to spend for charging their battery, when traveling, to complete the trip. To please the requirements of the users regarding the quality of service of the charging infrastructure, different charging technology types are factored in the optimisation objective function. The optimisation model also includes the mobility behaviour of electric vehicles by involving their trajectories of movement at different time instances. By also analysing their mobility behaviour, the traffic load of the candidate locations is identified which exposes the number of electric vehicles that are going through a particular candidate location. The final optimal charging infrastructure expansion plan shows the optimal placement layout, number of locations and placement cost. We also elaborate a stochastic formulation of the optimisation placement procedure that takes into consideration the stochastic occurrences that can have a significant impact on the electric vehicles’ driving range i.e. battery charge, the charging time that the users are willing to spend while charging at candidate location and the charging stations’ investment costs. The stochastic formulation includes also a representative trajectories search and a scenario reduction method to form common stochastic scenarios to be executed by the proposed optimisation model. Besides the charging infrastructure placement plan, the optimal results of the stochastic scenarios can be used to calculate the placement probability of candidate locations, which is fundamental for the charging infrastructure planners in the decision-making part. The numeric results illustrate the application of the proposed charging infrastructure optimization on test road and electric power system by showing the optimal charging stations placement layout and overall placement costs for the optimization constraints set on the charging reliability, required quality of service and running a power system reliability check. Additionally, for the stochastic formulation of the optimization model, the results show the optimal charging locations and their placement probability, which exposes their importance to charging infrastructure planners in terms of prioritization and robust decision-making. For the detailed analysis made on the impact of the stochastic driving range scenarios on the optimization output regarding the placement cost and locations, it is ascertained that a shorter uncertainty distance increases the number of candidate locations included in the charging reliability criterion resulting in higher overall charging infrastructure placement costs and vice-versa. Za masovno vpeljavo električnih vozil morajo biti polnilne postaje skozi postopke načrtovanja polnilne infrastrukture lokacijsko pravilno razporejene s ciljem zagotoviti zanesljivo oskrbo z električno energijo, potrebno v prometu. To je izredno pomembna naloga, ki jo je treba opraviti, preden se poveča številno električnih vozil in preden vladini organi začnejo sprejemati politične odločitve za večjo elektromobilnost. Slabo zasnovana infrastruktura za električna vozila lahko zviša stroške za polnjenje električnih vozil, vpliva na samo udobje uporabnikov električnih vozil, kakovost storitve polnjenja in povzroči dodatna nezadovoljstva uporabnikov. Torej je pravilno (optimalno) postavljena polnilna infrastruktura bistvenega pomena za povečanje množične uporabe in večjo uporabnost električnih vozil. To je velik izziv, ki vključuje zasnovo in uvedbo omrežij javnih (in zasebnih) polnilnih postaj s skupnimi povezanimi sistemi za preverjanje pristnosti in zaračunavanja stroška porabljene električne energije. Javna polnilnica je opredeljena kot polnilnica v cestnem omrežju, kjer lahko vsak imetnik električnega vozila pride in napolni svojo baterijo. Zaradi različnih tehnologij polnjenja je mogoče storitev polnjenja opraviti v krajšem ali daljšem časovnem obdobju, glede na zmogljivost polnilnic in razpoložljiv čas polnjenja uporabnikov. Polnilnice morajo biti postavljene v dosegljivi razdalji električnih vozil in morajo zagotavljati storitve polnjenja za večino uporabnikov z visoko kakovostjo storitve polnjenja, ki je povezana z razpoložljivim časom polnjenja vozil. Čas, potreben za polnjenje baterije, je odvisen od treh glavnih dejavnikov: priključne moči polnilnice, zmogljivosti baterije in stanja napolnjenosti baterije ob času polnjenja. Priključitev polnilnice na omrežje in vrsta priključka se določi na podlagi uvrstitve v skupino končnih odjemalcev glede potrebe po energiji, moči in tipu priključka. Pri tem je operater polnilne infrastrukture dolžan izvesti vse ukrepe, ki jih predpisujejo sistemska obratovalna navodila. Zmogljivost baterije je različna v odvisnosti od tehnologije shranjevanja, tipa električnega vozila (avto, tovornjak, avtobus, moped, tricikel), izvedbe modela, električnega motorja, napetosti baterije, stopnje hitrosti polnjenja / praznjenja itd. Za polnjenje baterij električnih vozil so na voljo različne tehnologije polnjenja, vendar trenutno obratujejo trije standardni nivoji polnjenja, in sicer: • prvi nivo polnjenja se nanaša na uporabo enofaznega izmeničnega sistema do 3 kW priključne polnilne moči (običajno je 1 kW). Odvisno od lastnosti in tehnologije shranjevanja baterije je lahko čas polnjenja do 24 ur - drugi nivo polnjenja uporablja trifazni izmenični sistem, pri čemer je priključna moč do 24 kW. Čas polnjenja je do 8 ur. Zahteva tudi dodatne dogovore z operaterji omrežja glede nastavitev zaščite in inštalacije dodatne opreme, ki jo je treba namestiti k polnilnici (transformatorji, odklopniki, stikala, adapterji itd.) - tretji nivo polnjenja predstavlja hitro polnitev. Priključna moč polnjenja je v razponu od 44 kW do 240 kW. Hitro polnjenje lahko popolnoma napolni baterijo električnega - vozila v 15 min - 30 min, kar je relativno primerljivo s časom polnjenja rezervoarja vozila z motorjem z notranjim zgorevanjem. Tretje nivo zahteva povezavo na višji napetostni nivo in je postavitev takega polnilnega sistema bolj zahtevna v primerjavi z nivojema 1 in 2, ker je treba namestiti dodatno električno opremo višjega napetostnega nivoja. Izkazalo se je, da je večina uporabnikov električnih vozil zadržanih do dejstva, da nimajo dovolj polnilnih postaj na poti do končne destinacije, kar pomeni, da uporabniki zaradi neprimerno načrtovane polnilne infrastrukture ne bodo dosegli cilja. Ocenjuje se, da je s trenutno tehnologijo mogoče avtonomno na električni pogon prevoziti do 350 km z enim polnjenjem, vendar je tipična dnevna razdalja nekje do 80 km na dan. Cilj proizvajalcev električnih vozil za prihodnja leta je razvoj in zagon množične proizvodnje električnih vozil s tehnologijami shranjevanja električne energije, ki bodo omogočile potovanje na daljše razdalje, primerljive s temi, ki jih danes dosegajo vozila z motorji z notranjim izgorevanjem, tudi do 1000 km in več. Trenutno so poti na daljše razdalje težavne, saj so na razpolago le javne polnilnice. V nekaterih primerih vozniki potujejo dlje časa in prevozijo daljše razdalje, da bi našli polnilnico. Dejstvo je, da morajo biti polnilnice postavljene na lokacijah, ki so primerne za uporabnike električnih vozil, na primer na lokacijah, kjer se beleži večji promet z električnimi vozili. Kot drugo, ob prihodu je lahko polnilnica zasedena, zato morajo vozniki čakati na vrsto, da napolnijo baterije. Ta scenarij je zelo realen, saj se s trenutno tehnologijo shranjevanja električne energije električna vozila polnijo dlje časa, kar povzroča daljše čakalne vrste, še posebej ob povečanem številu električnih vozil v prometu. Z daljšimi čakalnimi vrstami so nadalje povezane tudi zahteve po večjem prostoru na črpališčih, počivališčih, kjerkoli se pač nahajajo polnilnice. Naključna postavitev polnilnic je med glavninami ovirami za splošno sprejetje in s tem uporabnost električnih vozil, saj s tem se lahko poveča neudobnost in nezadovoljstvo voznikov. Poudariti je treba, da se morajo polnilnice postavljati na primernih lokacijah. Gre za večrazsežnosti problem: tehnični – priključitev na omrežje, obremenitev omrežja, drugi vplivi na obratovanje omrežja itd., ekonomski – stroški priključitve, stroški vzdrževanja in obratovanja itd. in družbeni – dostopnost polnilnic, udobje voznikov itd. Izzivi, ki se odpirajo na področju načrtovanja elektroenergetskih in polnilnih omrežij s povečanim deležem električnih vozil, so torej tako tehnične, ekonomske kot tudi družbene narave. V tej doktorski disertaciji smo razvili nov matematičen postopek za optimalno načrtovanje izgradnje polnilne infrastrukture za električna vozila. Predlagana metodologija upošteva obnašanje uporabnikov električnih vozil (vozne navade), tehnologijo polnjenja ter obstoječo cestno infrastrukturo in dostopnost elektroenergetskega sistema. Preverjanje zanesljivosti elektroenergetskega sistema, kakovosti storitve polnjenja in zanesljivost polnilne infrastrukture se uporabljajo kot omejitve v predlaganem optimizacijskem modelu, pri čemer se polnilnice postavljajo na izbranih optimalnih lokacijah glede na tehnologijo polnjena z minimalnimi naložbenimi stroški inštalacije, vzdrževanja, obratovanja. Preverjanje zanesljivosti elektroenergetskega sistema je vključeno v optimizacijske omejitve z uporabo DC (enosmerni izračun) metode izračuna pretokov moči. Z DC načinom izračuna pretokov moči preverjamo obremenitev vodov zaradi vključitve polnilnic ter bilanco v sistemu. Pri optimizaciji je merilo zanesljivosti polnjenja polnilne infrastrukture opredeljeno kot izbor vsaj ene možne lokacije v območju dosega vožnje električnih vozil, s ciljem zagotavljanja neomejene mobilnosti – da je v območju dosega vsaj ena polnilnica in to v smeri poti. Drugo merilo je kakovost storitve polnjenja, ki jo zahtevajo uporabniki električnih vozil. Ta upošteva čas, ki so ga uporabniki pripravljeni nameniti polnjenju baterije med potovanjem, da bi lahko prispeli na cilj. S tem želimo približati model čim bližje realnosti, realnost pa je, da imamo več polnilnih tehnologij, v grobem 2 skupini - hitre in počasne. Optimizacijski model vključuje tudi vozne navade voznikov električnih vozil z vključevanjem njihovih voznih poti v različnih časovnih obdobjih. Z analizo njihovega vedenja se določi prometna obremenitev lokacij, kar je bistvenega pomena pri sprejemanju odločitve o primernosti izbrane lokacije glede postavite polnilnic in njihovih priključnih moči. Priprava vhodnih podatkov vključuje pripravo modelov električnih in cestnih omrežij, niz tehnologij in naložbenih stroškov inštalacije, vzdrževanja in obratovanja, trajektorij gibanja električnih vozil in zahtevano raven kakovosti storitve polnjenja. Da bi modelirali cestno omrežje ter da bi opazovali obnašanje voznikov električnih vozil, uporabljamo postopek razdelitev na odseke z oblikovanjem diskretnih množic cestnega omrežja in trajektorij. Uporabljamo diskretni način, kar pomeni, da sta cestna infrastruktura in trajektorije premikanja voznikov električnih vozil modelirana z množicami diskretnih elementov. Pri električnih vozilih je njihov doseg glavnega pomena zaradi zagotovitev neomejene mobilnosti, zato je pri določanju lokacij polnilnic doseg električnega vozila glavni dejavnik pri oblikovanju kriterija polnilne zanesljivosti polnilne infrastrukture. V nadaljnjih poglavjih je bolj podrobno predstavljen koncept, s katerim se postavi kriterij oblikovanja polnilne zanesljivosti polnilne infrastrukture. Pri postopku optimizacije se upošteva tudi pomembnost lokacije na način, da se ji na podlagi analize prometne obremenjenosti dodeli ustrezna utež. Posledično imajo lokacije z večjimi utežmi večjo pomembnost v postopku optimizacije izbor lokacij polnilnic, saj večja utež pomeni, da večje število električnih vozil prepotuje to lokacijo. Ob pripravi podatkov se tudi upošteva več vrst tehnologij polnjenja. Vsaka tehnologija polnjenja ima svojo moč, ki vpliva na čas polnjenja. Tehnologije večjih priključnih moči (tehnologije hitrega polnjenja), imajo primerljiv čas polnjenja z konvencionalnimi načini polnjenja vozil z notranjim izgorevanjem. V tej doktorski nalogi pri pripravi podatkov in v postopku optimizacije podajamo bolj podroben pregled polnilih tehnologij. Vsaka lokacija cestnega omrežja, odvisno od možnosti povezave in izvedbe, ima različen naložbeni strošek inštalacije, vzdrževanja in obratovanja, ki ga upoštevamo v kriterijski funkciji pri postopku optimizacije. Zahtevana kakovost storitve polnjenja vključuje razpoložljiv čas, ki bi ga vozniki električnih vozil namenili polnjenju na poti do svojega končnega cilja. V tej doktorski nalogi podrobno opisujemo in dajemo definicijo kakovosti storitve polnjenja, s katero tudi vplivamo na končno razporeditev lokacij polnilnic v cestnem omrežju. Zaradi vključitve novih polnilnic z različnimi moči polnjenja in zaradi omejitve virov električne energije in prenosa vodov v elektroenergetskem sistemu, je vključen izračun prerokov moči na podlagi DC metode. V naslednjih letih je pričakovati povečan vpliv obratovanja polnilnic zanesljivosti elektroenergetskega sistema zaradi množičnega vključevanja električnih vozil. S predlaganim postopkom optimizacije postavitve polnilnic bodo lahko načrtovalci polnilne infrastrukture in operaterji elektroenergetskih omrežjih uskladili delovanje in se dogovorili za širitev omrežij, kar ima za posledico zanesljivo oskrbo z električno energijo. Končni načrt optimalne postavitve polnilne infrastrukture prikazuje optimalno razporeditev postavitve, število lokacij in naložbeni strošek postavitve polnilne infrastrukture. V tej disertaciji smo obravnavali tudi razširitev postopka optimizacije s stohastično formulacijo, saj je večina vhodnih parametrov povezani z negotovostjo, ki lahko močno vpliva na optimalno postavitev polnilnic. Ker je znanje o prihodnjih vrednostih vhodnih parametrov pogosto neznano ali je znano le v času faze načrtovanja, je vključitev stohastične komponente smiselna za dolgoročno načrtovanje polnilne infrastrukture. Negotovost se lahko razvrsti v dve kategoriji: naključna in nenaključna negotovost. Ta disertacija je osredotočena na naključne negotovosti, za katere so značilni ponovljivi parametri z določenimi odstopanji in omogočajo možnost statistične analize, ki poda funkcijo porazdelitve verjetnosti, povprečne vrednosti, standardne odklone itd. Nenaključne negotovosti z nejasnimi podatki v stohastični formulaciji niso upoštevani. Glavna motivacija za razširitev postopka optimizacije s stohastično formulacijo je vključitev stohastične narave obnašanja električnih vozil, njihovega dosega, razpoložljivega časa namenjenega polnjenju baterije električnih vozil in naložbenih stroškov inštalacije, vzdrževanja in obratovanja za različne tehnologije polnjenja. S pomočjo stohastičnega modeliranja bomo lažje razumeli vplive na optimalno izbiro lokacij in postavitev polnilnic in s tem povezanimi stroški, hkrati pa se bolj približali k dejanskim dogodkom, ki so v realnosti navezani na elemente, kar je cilj stohastičnega modeliranja. Zagotovo morajo biti optimalne lokacije polnilnic postavljene na mestih, kjer se odvija največ prometa. Zato je treba vse negotovosti, povezane s odmikom od najpogosteje vožene trajektorije vključiti v postopek optimalne postavitve polnilnic. Negotovi dejavniki, kot so hitrost vožnje, pospešek, masa in aerodinamika električnega močno vplivajo na doseg električnega vozila. Stohastično modeliranje kakovosti storitve polnjenja, QoS (angl. Quality of Service), zajema vse stohastične dogodke v realnem času, ki vplivajo na razpoložljivi čas polnjenja voznikov električnih vozil, kot so delno napolnjene baterije, prometne razmere na cestah itd. Pri naložbenih stroških inštalacije, vzdrževanja in obratovanja za različne tehnologije polnjenja se stohastična komponenta uvede s ciljem, da se zajame negotovost, ki je posledica neprekinjenega razvoja baterij različnih proizvajalcev, ki pa ponujajo izdelke/storitve po določeni ceni. Stohastična komponenta prav tako pokriva negotovosti povezane z inflacijo in diskontnimi stopnjami naložbenih stroškov za različne vrste tehnologij polnjenja. Nadgraditev oz. razširitev determinističnega postopka optimizacije postavitve polnilnic s stohastično formulacijo zagotavlja koristi načrtovalcem polnilnih infrastruktur, kot so prednostni seznam optimalnih lokacij za postavitev polnilnic različnih tehnologij polnjenja z minimalnimi naložbenimi stroški inštalacije, vzdrževanja in obratovanja, ki se razvrščajo po svoji verjetnosti izbire lokacije, verjetnosti dogajanja, številu lokacij, njihovih postavitvah v prostoru in skupnem strošku postavitve. Stohastična formulacija postopka vključuje novo metodo iskanja reprezentativne poti električnih vozil. Pri tem smo predlagali novi kazalnik TSI (angl. Trajectory Similarity Index), s katerim se določa podobnost med stohastičnimi trajektorijami električnih vozil, ne glede le na dolžine trajektorij, ampak z njihovimi časovno-prostorskimi lastnosti. S pomočjo novega kazalnika TSI smo predlagali rešitev, s katero se določa reprezentativne trajektorije gibanja električnih vozil, ki so v nadaljevanju vključene v optimizacijski postopek. Pri stohastični formulaciji smo uporabili tudi metodo za zmanjšanje števila scenarijev s ciljem poenostavitve kompleksnosti samega optimizacijskega postopka. Na razpolago je več optimizacijskih metod, kot so: GA (angl. Genetic Algorithms), ANN (angl. Artifitaial Neural Networks), LP (angl. Linear Programming), MILP (angl. Mixed Integer Programming), AI (angl. Artifitial Intelegence), itd. V tej doktorski disertaciji uporabljamo optimizacijski postopek MILP, zaradi enostavnosti, hitrosti in ustreznosti reševanja zastavljenega matematičnega optimizacijskega modela pri izbiri optimalne lokacije postavitve polnilnic. Rezultate prikazujejo uporabnost novega matematičnega postopka za optimalno načrtovanje izgradnje polnilne infrastrukture za električna vozila, pri čemer sta uporabljeni cestno in električno testno omrežje. Prikazane so optimalne lokacije in skupni najmanjši strošek izgradnje, obratovanja in vzdrževanja glede na tehnologijo polnjenja ob upoštevanju omejitev optimizacije, kot so zanesljivost polnilne infrastrukture, zahtevana kakovost storitve polnjenja in preverbo zanesljivosti elektroenergetskega sistema. V rezultatih razširjenega optimizacijskega modela s stohastično komponento je tudi prikazan prednosti seznam optimalnih lokacij za postavitev polnilnic različnih tehnologij, ki se razvrščajo po svoji verjetnosti izbire lokacije. Rezultati zajamejo tudi natančnejšo analizo negotovosti dosega električnega vozila in scenarije vpliva na optimizacijo izbire lokacij in skupnim stroškom postavitve. Med glavnimi izvirnimi prispevki doktorske disertacije so: nov večkriterijski matematičen postopek za optimalno načrtovanje izgradnje polnilne infrastrukture za električna vozila nov kriterij, ki definira zanesljivost polnjenja (angl. Charging Reliablity) polnilne infrastrukture s ciljem zagotavljanja neomejene mobilnosti električnih vozil kriterij preverjanja zanesljivosti obratovanja električnega omrežja nov kriterij kakovosti storitve polnjenja polnilne infrastrukture (angl. Quality of Service) na podlagi zahteve uporabnikov električnih vozil glede njihovega razpoložljivega časa za polnjenje baterij in glede na trenutno stanje baterije razširitev predlaganega optimizacijskega model s stohastično komponento. Cilj je zajeti vse negotovosti povezane z vhodnimi podatki (obnašanje voznikov, domet električnega vozila, razpoložljivi čas polnjenja baterije električnega vozila in stroški izgradnje, obratovanja in vzdrževanja glede na tip polnilne tehnologije).

Abstract

This work presents and evaluates the performance of a simulation model based on multiagent system technology in order to support logistic decisions in a harbor from oil supply chain. The main decisions are concerned to pier allocation, oil discharge, storage tanks management and refinery supply by a pipeline. The real elements as ships, piers, pipelines, and refineries are modeled as agents, and they negotiate by auctions to move oil in this system. The simulation results are compared with results obtained with an optimization mathematical model based on mixed integer linear programming (MILP). Both models are able to find optimal solutions or close to the optimal solution depending on the problem size. In problems with several elements, the multiagent model can find solutions in seconds, while the MILP model presents very high computational time to find the optimal solution. In some situations, the MILP model results in out of memory error. Test scenarios demonstrate the usefulness of the multiagent based simulator in supporting decision taken concerning the logistic in harbors. O objetivo deste artigo é apresentar e avaliar o desempenho de um modelo de simulação baseado em sistemas multiagentes para auxiliar a tomada de decisão na alocação de petróleo em complexos portuários. Os diversos elementos do problema são modelados como agentes e negociam por meio de leilões a alocação dos inventários de óleo. Os resultados obtidos são comparados com resultados gerados por modelos de otimização matemática, estes baseados em programação linear inteira mista. Esses modelos são capazes de encontrar soluções ótimas ou próximas da ótima dependendo do tamanho da instância testada. Em problemas com muitos navios e tanques, o modelo baseado em sistema multiagente encontrou soluções em segundos, enquanto os modelos baseados em otimização matemática apresentaram problemas de tempo computacional e falta de memória, não encontrando a solução ótima. Os diversos exemplos aqui apresentados evidenciam a necessidade do modelo de simulação baseado em multiagentes no auxílio a tomada de decisões logísticas de porto Document type: Article