[论文解读] Dynamic Pricing and Energy Management Strategy for EV Charging Stations under Uncertainties

Chao Luo, Yih-Fang Huang+1 more|RePEc: Research Papers in Economics|Jan 9, 2018

Electric Vehicles and Infrastructure被引用 4

一句话总结

本文提出了一种基于动态规划（DP）的电动汽车充电站动态定价与能源管理框架，旨在应对三种关键不确定性下的利润最大化、客户满意度提升及电网稳定性保障：批发电价波动、可再生能源发电的波动性以及时空分布的电动汽车充电需求。基于DP的方法相比贪婪算法在利润上最高提升9%，并表明低成本储能通过实现‘低买高卖’的电力套利，可降低电价波动并提升盈利能力。

ABSTRACT

This paper presents a dynamic pricing and energy management framework for electric vehicle (EV) charging service providers. To set the charging prices, the service providers faces three uncertainties: the volatility of wholesale electricity price, intermittent renewable energy generation, and spatial-temporal EV charging demand. The main objective of our work here is to help charging service providers to improve their total profits while enhancing customer satisfaction and maintaining power grid stability, taking into account those uncertainties. We employ a linear regression model to estimate the EV charging demand at each charging station, and introduce a quantitative measure for customer satisfaction. Both the greedy algorithm and the dynamic programming (DP) algorithm are employed to derive the optimal charging prices and determine how much electricity to be purchased from the wholesale market in each planning horizon. Simulation results show that DP algorithm achieves an increased profit (up to 9%) compared to the greedy algorithm (the benchmark algorithm) under certain scenarios. Additionally, we observe that the integration of a low-cost energy storage into the system can not only improve the profit, but also smooth out the charging price fluctuation, protecting the end customers from the volatile wholesale market.

研究动机与目标

• 解决在批发电价波动、可再生能源间歇性发电以及电动汽车充电需求波动这三大不确定性下，优化电动汽车充电站运营的挑战。
• 平衡相互冲突的目标：最大化运营商利润、提升客户满意度，并减轻电动汽车充电对电网造成的压力。
• 构建一个决策框架，使充电服务提供商能够在多个时间范围内制定最优的动态定价与电力采购策略。
• 研究储能成本与客户满意度权重对定价、采购策略及盈利能力的影响。
• 评估动态规划与贪婪算法在管理复杂且不确定的能源与需求动态中的有效性。

提出的方法

• 基于一天中不同时段与空间分布模式，使用线性回归对每个充电站的电动汽车充电需求进行建模。
• 定义一个综合效用函数，整合利润、客户满意度（由参数β加权）以及电网影响（Qk），其中客户满意度函数由形状参数与权重参数参数化。
• 在有限规划周期N内制定优化问题，决策变量包括充电价格（pkj）、电力采购量（ok）以及储能使用情况（Ik, uk）。
• 应用动态规划（DP）求解多阶段优化问题，通过递归方式从每个时间阶段最大化至终点的总效用。
• 将可再生能源发电（uk）与电力储能（Ik）作为可控能源来源，储能成本按每单位η建模。
• 引入参考电力采购量（o_ref）与惩罚项（μ），以最小化采购波动，提升电网稳定性。

Figure 1: The EV Charging Market

实验结果

研究问题

• RQ1 在不确定性条件下的电动汽车充电站能源管理中，动态规划相较于贪婪算法在提升利润方面表现如何？
• RQ2 低成本储能对降低电价波动及提升动态定价策略盈利能力的作用有多大？
• RQ3 客户满意度权重参数（β）的变化如何影响利润与客户留存之间的权衡？
• RQ4 储能成本（η）对采购行为及‘低买高卖’策略采纳的影响是什么？
• RQ5 可再生能源与储能的集成如何影响充电价格稳定性与电网影响？

主要发现

• 在测试场景下，动态规划（DP）算法相比贪婪算法最高可实现9%的利润提升，证明其具有更优的优化性能。
• 当客户满意度权重参数β从0提升至30,000时，客户满意度显著提高，但总利润大幅下降，表明服务质量与盈利能力之间存在明确权衡。
• 当储能成本较低时（例如η = 0.5），运营商采取积极采购策略——在低价时段（3:00–8:00）多购电，高价时段（11:00–19:00）少购电。
• 当储能成本较高时（η = 1.5），电力采购量几乎保持不变，表明因储能成本过高而无法实现盈利套利，故采取保守策略。
• 低成本储能通过充当缓冲器稳定了充电价格：储能成本较低时（η = 0.5）的价格波动小于储能成本较高时（η = 1.5），尤其在批发电价高涨期间更为明显。
• 低成本储能的集成不仅提升了利润，还降低了终端用户对批发市场价格波动的暴露，增强了价格稳定性与客户体验。

Figure 2: Customer Satisfaction Functions ( $E=200$ )