Controlling Large Electric Vehicle Charging Stations via User Behavior Modeling and Stochastic Programming
作者: Alban Puech, Tristan Rigaut, William Templier, Maud Tournoud
分类: math.OC, cs.AI, cs.CE, cs.LG, eess.SY
发布日期: 2024-02-20 (更新: 2024-11-13)
💡 一句话要点
提出电动汽车充电站控制模型以应对不确定性问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 电动汽车 充电站 用户行为建模 随机规划 多阶段优化 成本效益 用户满意度
📋 核心要点
- 现有电动汽车充电站控制方法在面对用户行为不确定性时表现不足，难以平衡成本与用户满意度。
- 论文提出了基于用户行为建模的多阶段随机规划方法，旨在优化充电站的控制策略，提升用户体验。
- 实验结果显示，所提方法在用户满意度指标上分别提升了20%和36%，且相较于理论最优基线，成本仅增加3%。
📝 摘要（中文）
本文介绍了一种电动汽车充电站（EVCS）模型，考虑了现实世界中的约束条件，如插槽功率限制、合同阈值超限罚款以及电动汽车的提前断开。我们提出了在不确定性下控制EVCS的问题的数学模型，并实现了两种多阶段随机规划方法，利用用户提供的信息，分别为模型预测控制和两阶段随机规划。该模型解决了充电会话开始和结束时间以及能量需求的不确定性。基于停留时间的随机过程的用户行为模型在降低成本的同时保持客户满意度。通过对比两个基准，展示了这两种方法在22天的真实数据集上的优势。
🔬 方法详解
问题定义：本文旨在解决电动汽车充电站在用户行为不确定性下的控制问题。现有方法在处理充电会话的开始和结束时间、能量需求等不确定性时，往往无法有效平衡成本与用户满意度。
核心思路：论文的核心思路是通过用户行为建模，结合多阶段随机规划方法，优化充电站的控制策略。通过引入用户提供的信息，提升模型的适应性和准确性。
技术框架：整体架构包括用户行为模型、充电需求预测模块和随机规划优化模块。首先，通过用户行为模型预测充电需求，然后利用随机规划方法进行充电策略的优化。
关键创新：最重要的技术创新在于引入了基于停留时间的随机过程来建模用户行为，从而在不确定性条件下实现了更高的用户满意度和成本效益。与现有方法相比，该方法在处理不确定性时更具灵活性和鲁棒性。
关键设计：在模型设计中，关键参数包括用户行为模型的停留时间分布、充电功率限制和合同阈值设置。损失函数设计考虑了用户满意度与电力成本之间的权衡，确保优化结果的实用性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提两阶段随机规划方法在用户满意度指标上相较于行业标准基线分别提升了20%和36%。此外，优化算法在成本与用户满意度之间取得了良好平衡，相较于理论最优基线，成本仅增加3%，同时在用户满意度指标上达到了94%和84%的表现。
🎯 应用场景
该研究的潜在应用领域包括电动汽车充电基础设施的优化管理、智能电网调度以及可再生能源的集成。通过提升充电站的控制效率，能够有效降低运营成本，同时提高用户满意度，推动电动汽车的普及与使用。未来，该模型可扩展至更广泛的能源管理系统中，促进可持续发展。
📄 摘要（原文）
This paper introduces an Electric Vehicle Charging Station (EVCS) model that incorporates real-world constraints, such as slot power limitations, contract threshold overruns penalties, or early disconnections of electric vehicles (EVs). We propose a formulation of the problem of EVCS control under uncertainty, and implement two Multi-Stage Stochastic Programming approaches that leverage user-provided information, namely, Model Predictive Control and Two-Stage Stochastic Programming. The model addresses uncertainties in charging session start and end times, as well as in energy demand. A user's behavior model based on a sojourn-time-dependent stochastic process enhances cost reduction while maintaining customer satisfaction. The benefits of the two proposed methods are showcased against two baselines over a 22-day simulation using a real-world dataset. The two-stage approach demonstrates robustness against early disconnections by considering a wider range of uncertainty scenarios for optimization. The algorithm prioritizing user satisfaction over electricity cost achieves a 20% and 36% improvement in two user satisfaction metrics compared to an industry-standard baseline. Additionally, the algorithm striking the best balance between cost and user satisfaction exhibits a mere 3% relative cost increase compared to the theoretically optimal baseline - for which the nonanticipativity constraint is relaxed - while attaining 94% and 84% of the user satisfaction performance in the two used satisfaction metrics.