Bonjour à tous,

Vous êtes cordialement invités à la soutenance de thèse de Steven Lamontagne, telle qu'annoncée ci-dessous

La présentation sera faite en anglais.

Link: https://umontreal.zoom.us/j/81169511277?pwd=MnZ2bnlSRStQY3Q0K0VCTmpjOVpEQT09

Jury

Résumé:

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, les usagers peuvent ne pas acheter des VE par peur de tomber en panne (un phénomène nommé «anxiété de l'autonomie»). 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. Nous améliorons l'état de l'art des modèles d'optimisation existants en intégrant des modèles de choix discrets avancés qui prennent en compte les préférences hétérogènes des usagers au sein même du modèle d'optimisation. Cependant, la méthodologie existante pour réaliser cette intégration crée un modèle de programmation linéaire mixte en nombres entiers qui ne peut pas être résolu, même pour des instances de taille modeste. Nous développons alors une reformulation efficace en un problème de couverture maximum qui, comme nous le démontrons, permet une amélioration de plusieurs ordres de magnitude en temps de calcul. En dépit de cette amélioration,  le modèle d'optimisation demeure difficile à résoudre pour des problèmes de grande taille. Nous développons alors deux méthodes de décomposition de Benders spécialisées pour cette application, une méthode de décomposition de Benders accélérée et un branchement local. Finalement, nous discutons d'une méthode pour dériver des valeurs de paramètres cruciales qui sont autrement difficiles à obtenir dans le modèle de choix discrets au sein du modèle d'optimisation.  Nous considérons ici 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 telles que la distance des usagers, le nombre de bornes de recharge et les installations à proximité. Cette thèse apporte des contributions au niveau des outils d'aide à la décision pour les opérateurs de réseaux de bornes de recharge pour les VE, ainsi que de nouveaux modèles et méthodologies dans le domaine des problèmes de localisation.

In areas with large amounts of clean renewable electricity, such as Quebec, an increase to the number of electric vehicles (EVs) can reduce greenhouse gas emissions. However,  users may not purchase EVs out of concern they run out of charge while driving (called "range anxiety").  We can strategically optimise the placement of public EV charging infrastructure to combat this effect, thus leading to increased EV adoption. We extend the current state-of-the-art optimisation models by incorporating advanced discrete choice models capturing heterogeneous user preferences within the optimisation framework. However, existing methodologies for this optimisation framework result in a mixed-integer linear program which cannot be solved for even moderately sized instances. We thus develop an efficient reformulation into a maximum covering location problem which, as we show experimentally, allows for multiple orders of magnitude of improved solving time. Despite this improvement, the optimisation model remains intractable for large-scale instances. As such, we then develop two specialised Benders decomposition methods for this application, an accelerated branch-and-Benders-cut approach and a local branching scheme. Finally, we discuss a method for deriving difficult-to-obtain and crucial parameter values of the discrete choice model in the optimisation framework. For this process, we investigate the attributes that encourage current EV owners to utilise existing infrastructure. More specifically, we use real charging session data from the city of Montreal (Quebec) to determine the impacts of station characteristics such as the distance to the users, the number of outlets, and the nearby amenities. This thesis contributes decision-aid tools of practical interest to EV charging infrastructure owners, alongside new models and methodologies in the realm of facility location problems.