[论文解读] Managing Overstaying Electric Vehicles in Park-and-Charge Facilities

Arpita Biswas, Ragavendran Gopalakrishnan+1 more|arXiv (Cornell University)|Apr 19, 2016

Electric Vehicles and Infrastructure参考文献 10被引用 10

一句话总结

本文提出了一种针对停车充电设施的动态惩罚框架，通过建模用户行为并采用基于UCB的在线学习方法优化惩罚力度，以在提升利用率和收入的同时减少电动汽车（EV）过度停留。基于伦敦充电数据的实验验证表明，最优惩罚策略显著提升了利用率和收入，同时大幅减少了过度停留现象。

ABSTRACT

With the increase in adoption of Electric Vehicles (EVs), proper utilization of the charging infrastructure is an emerging challenge for service providers. Overstaying of an EV after a charging event is a key contributor to low utilization. Since overstaying is easily detectable by monitoring the power drawn from the charger, managing this problem primarily involves designing an appropriate "penalty" during the overstaying period. Higher penalties do discourage overstaying; however, due to uncertainty in parking duration, less people would find such penalties acceptable, leading to decreased utilization (and revenue). To analyze this central trade-off, we develop a novel framework that integrates models for realistic user behavior into queueing dynamics to locate the optimal penalty from the points of view of utilization and revenue, for different values of the external charging demand. Next, when the model parameters are unknown, we show how an online learning algorithm, such as UCB, can be adapted to learn the optimal penalty. Our experimental validation, based on charging data from London, shows that an appropriate penalty can increase both utilization and revenue while significantly reducing overstaying.

研究动机与目标

• 解决因电动汽车在充满电后过度停留导致的充电基础设施利用率低下的问题。
• 建模较高惩罚（抑制过度停留）与因停车时长不确定导致的用户接受度降低之间的权衡。
• 开发一种联合建模用户行为与排队动态的框架，以确定最大化利用率和收入的最优惩罚费率。
• 在系统参数未知的情况下，利用多臂老虎机技术实现最优惩罚的在线学习。
• 使用伦敦的真实电动汽车充电数据对框架进行实证验证。

提出的方法

• 该框架将现实的用户行为模型与排队系统动态相结合，以捕捉惩罚费率对电动汽车进入、充电及过度停留行为的影响。
• 将每日收入建模为惩罚费率的函数，目标是在不确定性下最大化期望收入。
• 对UCB-PC算法进行改进，从UCB1扩展至无限时域学习，将每种惩罚费率视为一个“臂”，每日收入视为奖励。
• 该算法维护每种惩罚费率下平均每日收入的估计值，并利用置信上界来平衡探索与利用。
• 遗憾被界定为O(log K)，确保算法随时间推移收敛至最优惩罚费率。
• 使用伦敦的真实充电数据对方法进行验证，模拟动态惩罚应用与收入追踪。

实验结果

研究问题

• RQ1 在外部充电需求变化的情况下，何种惩罚费率能同时最大化停车充电设施的利用率和收入？
• RQ2 当底层用户行为和收入分布未知时，如何实现实时学习最优惩罚？
• RQ3 在停车时长不确定的背景下，抑制过度停留与维持用户接受度之间存在何种权衡？
• RQ4 在实践中，收入最大化惩罚与利用率最大化惩罚之间的差距有多大？
• RQ5 像UCB这样的在线学习算法能否在动态停车充电环境中有效适应未知系统参数？

主要发现

• 发现最优惩罚费率可显著减少电动汽车过度停留，同时提升利用率和收入。
• 收入最大化惩罚所实现的利用率接近理论最大值，表明系统效率极高。
• UCB-PC算法成功随时间学习到最优惩罚，遗憾被界定为O(log K)，确保收敛。
• 该框架在不同外部充电需求水平下均表现出稳健性能，显示出良好的适应能力。
• 基于伦敦充电数据的实证结果证实，动态惩罚调整可显著提升基础设施效率。
• 研究表明，过高的惩罚可能抑制电动汽车用户，而适度且基于数据的惩罚可实现系统性能的最优化。