Моделирование поведения водителя с использованием агентного метода Beaudry Kock, Recargo, Inc., 2014

Recargo – компания, занимающаяся производством программного обеспечения, разработкой сервисов для водителей подключаемых к сети электромобилей и продвижением технологий plug-in на рынке. Если Вы ищите экологичное транспортное средство, Recargo поможет найти то, что нужно именно Вам.

Recargo и AnyLogic 7




Recargo использует агентное моделирование, применяя программное обеспечение AnyLogic 7, для построения схем зарядки электрических транспортных средств водителями Калифорнии. Целью моделирования является изучение потенциальной выгоды от использования концепции ‘Vehicle to grid’ (V2G). Данная концепция подразумевает двухстороннее использование электромобилей: машина подключается к общей энергосистеме для подзарядки или наоборот, отдает в сеть электроэнергию, если в этом есть необходимость. Подобная технология позволяет автовладельцам заряжать свои машины тогда, когда энергия стоит дешевле (например, в ночное время), и продавать ее энергокомпаниям во время пика энергопотребления по максимально высокой цене. Наша работа в AnyLogic продолжается всего несколько недель, но за это время с помощью удобного интерфейса AnyLogic 7 и Java-кода мы смогли создать и протестировать модель экспериментальной концепции, которая демонстрирует потенциал дальнейших, более сложных, этапов моделирования.


Общая информация




Возможности накопления энергии аккумуляторами электромобилей постоянно расширяются – сейчас пассажирский автомобиль с самым большим объемом аккумулятора может обеспечивать энергией среднестатистический американский дом в течение 3 дней, а это значит, что найден уникальный ресурс для хранения и отдачи энергии. Электромобили можно использовать для помощи в поддержании частоты электрического тока в системе на безопасном уровне, для хранения энергии и ее отдачи во время пика потребления, для помощи в генерации возобновляемой энергии (например, энергии солнца или ветра). Технология V2G может принести выгоду владельцу электромобиля, а значит снизить (или вообще исключить) расходы на зарядку транспортного средства. Recargo разрабатывает оборудование и ПО, которые позволяют транспортному средству контролировать и распределять энергию в соответствии с нуждами энергосети, энергокомпаний и владельца автомобиля.


Для того, чтобы иметь возможность применять технологию V2G, электромобиль должен быть доступен и включен в сеть. Принимая во внимание тот факт, что первоочередная задача машины – быть к услугам водителя для его передвижений, возникает очень важный вопрос: как сделать так, чтобы автомобиль был всегда доступен для энергосети, когда это необходимо? Или другие вопросы: как убедиться, что энергия автомобиля, подключенного к энергосистеме, используется наиболее эффективно, ведь приходится также учитывать интересы водителя? Каковы шансы на то, что транспортное средство будет доступно в течение определенного промежутка времени в определенном месте? Насколько может электромобиль стабилизировать частоту тока в конкретное утро, если его владельцу необходимо зарядить аккумулятор на 80% к 2 часам дня? На эти и другие вопросы помогает ответить моделирование в AnyLogic: с его помощью мы можем отразить состояния электромобиля, спрогнозировать поведение водителей и совместить все это с моделью работы энергосети. Все это в конечном итоге приведет к пониманию того, какую выгоду можно извлечь из технологии V2G, применяемой к заданному количеству транспортных средств.


Применимость моделирования




Для правильного моделирования необходимо учитывать множество факторов; выгода от применения V2G напрямую зависит от разных вариантов поведения десятков, сотен, тысяч водителей, взаимодействующих с разной средой (пункты назначения, дороги, станции зарядки, другие водители и т.д.) Использование аналитических подходов и системной динамики возможно, но в данном случае это не очень информативно: с их помощью невозможно эффективно и просто охватить все варианты поведения водителей или, например, отследить связь ‘водитель – станция зарядки’. Поэтому вполне логично, что наш выбор пал на агентное моделирование. Мы остановились на AnyLogic 7, оценив его удобный и простой интерфейс, продуманную базу для быстрого построения сложных моделей, первоклассный движок для моделирования и возможности ГИС.


Мы применили пошаговый, динамичный подход:

  • Шаг 1: проверить экспериментальную концепцию, чтобы увидеть потенциал данного подхода и приблизиться к пониманию трудностей, с которыми мы можем столкнуться. В данном обзоре мы концентрируемся именно на этом шаге.
  • Шаг 2: дополнительно проверить экспериментальную концепцию, чтобы понять, возможно ли использовать ее в качестве основы для построения более комплексной модели с более сложными агентами и лучше проработанной средой.
  • Шаг 3 – последующие шаги: прогрессивное увеличение уровня сложности в агентах модели, их взаимодействиях и среде; в конечном итоге – создание готового к выпуску инструмента для планирования внедрения технологии V2G.

Разработка агентов




Первым шагом моделирования было создание схемы возможных состояний транспортного средства, которые позволяют или затрудняют VGI (‘Vehicle-grid integration’, интеграцию технологии V2G). Мы хотели смоделировать переход от/к активной зарядке, парковке и вождению для того, чтобы понять, какое время и место наиболее оптимально для подключения каждого электромобиля к VGI –программам. Во время первого шага мы старались оперировать максимально простыми данными, поэтому взяли всего несколько состояний и ограниченное количество их переходов из одного в другое.


Имея первый черновой вариант состояний автомобиля и их изменений, мы сконцентрировались на разработке возможных вариантов поведения водителя, пожалуй, самом сложном аспекте агентного моделирования. В нашем случае этот фактор имеет решающее значение для понимания того, какую прибыль можно будет получить от конкретного транспортного средства. Если мы не сможем определить с большой долей вероятности, что конкретный электромобиль, который подключили к энергосети, будет оставаться доступным, то ценность такого транспортного средства существенно снизится. Нам необходимо понимать планы, намерения и варианты поведения водителя для того, чтобы убедиться, что будет как можно меньше прерываний в подключении машины к энергосети. Это действительно сложно предугадать, т.к. люди не только совершают поездки по самым разным причинам, но еще и существует множество мест, где нет возможности зарядить электромобиль!

Возможные состояния припаркованного транспортного средства

Таблица 1: возможные состояния припаркованного транспортного средства.

фрагмент диаграммы состояний водителей, демонстрирующий планируемые состояния в наших простых агентах шага 1.

Таблица 2: фрагмент диаграммы состояний водителей, демонстрирующий планируемые состояния в наших простых агентах шага 1.


Такую сложную схему нереально отразить в первоначальной модели для проверки концепции, поэтому мы начали с рассмотрения всего 2 типов поездок: с работы/ на работу и ежедневных поездкок по делам.


Мы снабдили наших агентов движком, основанном на диаграммах состояний: в каждом цикле планирования каждый агент сначала решает, поехать ему на работу/с работы или отправиться по делам. Когда выбор сделан, агент думает, какие из планируемых поездок он совершит на электромобиле. Агенты, которые решили поехать до работы и обратно обычно совершают лишь 2 поездки, и отличаться у разных водителей будет только расстояние и время. У тех, кто решил поехать по делам, будут варьироваться пункты назначения, количество времени, проведенного там, и количество дел, которое они успеют сделать за одну/несколько поездок.


Ввод параметров среды




Места, в которые путешествуют агенты на своих транспортных средствах, не всегда располагают станциями зарядки, и не все станции имеют одинаковый уровень силы тока (что означает разный уровень услуг в энергосистеме, к которой подключается машина), соответственно, должен быть смоделирован спектр возможных пунктов назначения, соотнесенный с планами путешествующих агентов. Для этого этапа моделирования мы использовали базу данных станций зарядки компании Recargo в Калифорнии, и разработали статистическую модель, которая привязывала конкретную модель станции и силу тока к каждому направлению.


Ввод параметров транспортного средства




Наконец, нам было необходимо смоделировать само электрическое транспортное средство. Есть отдельные имитационные модели, построенные только для того, чтобы установить потребление энергии электромобилем, условия хранения и срок службы аккумулятора, проверки поведения трансмиссии при взаимодействии с поверхностью дороги. Но на данном этапе мы старались максимально все упростить, поэтому рассматривали только потребление энергии кВт/ч/миля, чтобы понять состояние заряда (СЗ) после заданной поездки. Данный подход исключает такие характеристики, как модель транспортного средства, устройство аккумулятора, влияние внешней температуры, уклон дороги, разгон транспортного средства, поведение водителя и т.д., но это был первый необходимый шаг. Также мы упростили расчеты касательно максимального уровня зарядки автомобиля, когда он включен в сеть: мы ввели данный параметр без учета особенностей условий реальной жизни.


Запуск модели




Здесь мы прервали работу, чтобы в первый раз запустить модель и посмотреть, имеет ли смысл все то, что мы проделали. Первые испытания, само собой, были очень простыми. Наше транспортное средство работало 30 дней с шагом в 1 минуту; Состояние Заряда отражено в Таблице 3.


Результаты демонстрируют «максимальное» использование транспортного средства: мы видим путешествия, которые требуют почти полного расхода заряда, и в то же время почти полную зарядку аккумулятора перед поездкой. В реальности такое практически невозможно (за исключением длительных поездок на работу и с работы): большинство поездок совершаются на скорости менее 30 миль; у большинства авто заряд редко ниже 20-30%; не каждый раз электромобиль заряжают полностью. Соответственно, полученные нами результаты на данном этапе не имеют практической пользы. Тем не менее, они очень важны для дальнейшего процесса моделирования: результаты показали, что мы можем успешно моделировать водителя, его транспортное средство и схемы зарядки авто с учетом многообразия планов владельца электромобиля, возможных маршрутов путешествий и расположения станций подзарядки. Полученные данные могут являться базой для следующего шага, во время которого мы еще раз проверим и доработаем нашу первоначальную концепцию, подготовим ее к более сложному этапу моделирования.


Среднее Состояние Заряда

Таблица 3: среднее Состояние Заряда (СЗ), от 0 до 1 (где 0 означает полную разрядку аккумулятора, 1 – полный заряд) поминутно в течение периода моделирования.


Следующие шаги




Впереди много работы. Вот наш топ-лист:


  • Собрать данные об энергосистеме: на практике нам не надо моделировать всю огромную и сложную систему Калифорнии. Нам необходимо включить в процесс лишь базовые вещи вроде локальных перегрузок распределительной сети и рыночных цен на разные виды услуг энергосистемы. Этого будет достаточно, чтобы получить приемлемую модель того, какую выгоду можно получить от имеющихся электромобилей и схем их использования водителями.
  • Доработать и улучшить модель поведения водителей: в реальности люди ездят не только на работу и по делам. Мы хотим построить более сложную схему, которая включала бы больше направлений и схем поведения водителей при планировании поездок.
  • Усовершенствовать моделирование пунктов назначения и станций подзарядки: в данный момент у нашей модели отсутствует пространственный компонент, т.е. мы не связывали ее с данными из реального мира: не просчитывали связь между местонахождением станций подзарядки и местами проживания людей, не учитывали распределение разных видов станций подзарядки. У нас в Recargo имеется обширная и детальная база данных станций; с ее помощью, используя ГИС-возможности Anylogic, мы сможем улучшить пространственную составляющую нашей модели.