Strategic planning of intracity electric vehicle charging station locations with integrated advanced demand dynamics

Dans des régions avec beaucoup d'électricité renouvelable, comme le Québec, une augmentation du nombre de Véhicules Électriques (VE) peut réduire les gaz à effet de serre. Par contre, l'autonomie réduite des VE et la présence limitée d'infrastructure publique pour recharger les véhicules peuvent contribuer à un phénomène nommé anxiété de l'autonomie, où les usagers n'achètent pas des VE par peur qu'ils tombent en panne. On peut alors planifier l'emplacement de l'infrastructure publique de recharge de manière stratégique pour combattre cet effet, menant alors à un taux d'adoption plus élevé pour les VE. En utilisant des modèles de choix discret, nous incorporons des modèles économétriques de demande avancés capturant les préférences hétérogènes des usagers à l'intérieur de l'optimisation. En particulier, comme nous le démontrerons, ceci permet l'inclusion de nouveaux facteurs importants, tels qu'une disponibilité de la recharge à domicile et des effets de distance plus granulaire. Par contre, la méthodologie existante pour ce processus crée un modèle de programmation linéaire mixte en nombres entiers qui ne peut pas être résolue, même pour des instances de taille modeste. Nous développons alors une reformulation efficace en problème de couverture maximum qui, comme nous le démontrerons, permet une amélioration de plusieurs ordres de magnitude pour le temps de calcul. Bien que cette reformulation dans un problème de couverture maximum améliore grandement la capacité à résoudre le modèle, celui-ci demeure difficile à résoudre pour des problèmes de grandes tailles, nécessitant des heuristiques pour obtenir des solutions de haute qualité. Nous développons alors deux méthodes de décomposition de Benders spécialisées pour cette application. La première est une méthode de décomposition de Benders accélérée, qui se spécialise à réduire l'écart d'optimalité et à la résolution de problèmes de petite taille ou de taille modeste. La deuxième approche rajoute un branchement local à la méthode de décomposition de Benders accélérée, qui sacrifie de l'efficacité lors de la résolution de problèmes de plus petite taille pour une capacité augmentée afin d'obtenir des solutions réalisables de haute qualité. Finalement, nous présentons une méthode pour dériver des valeurs de paramètres autrement difficiles à obtenir pour le modèle de choix discrets dans le modèle d'optimisation. Ces paramètres dictent les effets de l'infrastructure publique de recharge sur l'adoption des VE. Pour ce processus, nous regardons les facteurs qui encouragent les usagers courants des VE à utiliser l'infrastructure existante. De manière plus précise, nous utilisons des données de recharge réelles de la ville de Montréal (Québec) pour estimer les impacts des caractéristiques des stations, tels que la distance des usagers, le nombre de bornes de recharge, et les installations à proximité. Différents types d'infrastructure sont considérés, de manière parallèle avec des modèles de choix discrets qui peuvent tenir compte de plusieurs observations pour chaque individu. Les contributions de cette thèse sont plus générales que simplement l'adoption de VE, étant applicable, par exemple, au problème de capture maximum, au problème de couverture maximum à multiples périodes, et à la prédiction de la station de recharge choisie par les conducteurs de VE.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.