Controlling Large Electric Vehicle Charging Stations via User Behavior Modeling and Stochastic Programming

本文介绍了一种电动汽车充电站（EVCS）模型，该模型结合了现实世界的约束条件，例如插槽功率限制、合同阈值超支惩罚或电动汽车（EV）的早期断开连接等。我们提出了一个关于不确定性下EVCS控制问题的公式，并实现了两种多阶段随机规划方法，利用用户提供的信息，即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。基于逗留时间依赖的随机过程的用户行为模型提高了成本降低的同时保持客户满意度。使用真实数据集进行22天模拟，展示了两种提出的方法相对于两个基线的优势。两阶段方法通过考虑更广泛的优化不确定性场景来展示对早期断开连接的鲁棒性。优先考虑用户满意度而非电费的算法相对于行业标准基线在两个用户满意度指标上分别实现了20%和36%的改进。此外，最佳平衡成本和用户满意度的算法相对于理论最优基线（在其中非预测性约束被放松）仅有3%的相对成本增加，同时在两个使用的满意度指标中达到了94%和84%的用户满意度表现。

本文旨在提出一种考虑实际限制和不确定性的电动汽车充电站模型，并通过两种多阶段随机规划方法解决该问题。

本文提出的两种方法是基于用户提供的信息的，分别是模型预测控制和两阶段随机规划。该模型考虑了充电会话开始和结束时间以及能量需求的不确定性，并使用基于逗留时间的随机过程的用户行为模型来提高成本效益。

实验使用真实数据集进行了22天的模拟，并将两种方法与两个基线进行了比较。两阶段方法表现出对早期断开的稳健性，通过考虑更广泛的不确定性情景进行优化。而优先考虑用户满意度而非电费的算法在两个用户满意度指标上相比行业标准基线提高了20%和36%。此外，最佳平衡成本和用户满意度的算法相对于理论上的最优基线仅有3%的成本增加，同时在两个使用的满意度指标中达到了94%和84%的用户满意度表现。

最近的相关研究包括：《Electric Vehicle Charging Station Management: A Review of Optimization Modeling》、《A Review of Electric Vehicle Charging Infrastructure Planning Research》等。