⚡ electrical engineering

Joint Price and Power MPC for Peak Power Reduction at Workplace EV Charging Stations

تقترح هذه الورقة إطار عمل للتحكم التنبؤي بالنماذج يجمع بين السعر والقدرة، ويقوم بتحسين قائمة من خيارات التسعير لتحفيز الشحن المرن، مما يؤدي بدوره إلى تقليل ذروة الطلب على القدرة وتكاليف التشغيل الإجمالية لمحطات شحن المركبات الكهربائية في أماكن العمل بشكل كبير.

المؤلفون الأصليون: Thibaud Cambronne, Samuel Bobick, Wente Zeng, Scott Moura

نُشر 2026-03-25

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Thibaud Cambronne, Samuel Bobick, Wente Zeng, Scott Moura

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تملك مقهى مزدحمًا، ولكنه يعمل أيضًا كمحطة شحن للسيارات الكهربائية (EVs). أنت تريد تشجيع الناس على شحن سياراتهم أثناء ساعات عملك، ولكن هناك فخ مخفي في فاتورة الكهرباء الخاصة بك يسمى "رسوم الطلب" (Demand Charge).

فكر في "رسوم الطلب" كأنها رسوم اشتراك في صالة ألعاب رياضية (جيم) تعتمد على أثقل وزن ترفعه.

الفاتورة العادية: تدفع مقابل كل كوب قهوة تبيعه (كيلوواط ساعة).
رسوم الطلب: تنظر شركة الكهرباء إلى أدق دقيقة من أكثر الدقائق ازدحامًا في الشهر. إذا قامت 10 سيارات بالشحن في تمام الساعة 2:00 ظهرًا يوم الثلاثاء، فسيكون "ذروتك" ضخمًا. ستتعرض لرسوم باهظة قد تكلفك أكثر من بقية فواتير الشهر مجتمعة.

المشكلة هي أنك لا تستطيع التنبؤ بدقة متى ستصل 10 سيارات في وقت واحد. إذا وصلوا جميعًا في لحظة واحدة، فستعلق في فخ تلك الرسوم الباهظة.

يقترح هذا البحث حلاً ذكيًا: "مدير ذكي" يستخدم أداتين — السعر والقدرة — لتلطيف حدة الفوضى.

الأداتان

1. قائمة الأسعار (الحافز)

بدلاً من تقديم سعر واحد فقط، تقدم المحطة قائمة:

الشحن العادي: "اشحن وانطلق." تدفع السعر القياسي، لكن سيارتك تشحن بأقصى سرعة ترغب بها. هذا يشبه طلب القهوة فورًا؛ الأمر سريع، لكنك قد تضطر للانتظار في طابور طويل إذا كان الجميع يطلب أيضًا.
الشحن المجدول: "سنقوم بشحن سيارتك، لكننا قد نستغرق وقتًا أطول قليلاً." ستحصل على خصم، لكنك تترك للمحطة حرية القرار في متى تشحن سيارتك. هذا يشبه قولك: "سأنتظر حتى ينتهي وقت الذروة لأحصل على قهوتي، وسأحصل على قسيمة خصم مقابل ذلك."

2. "البلورة السحرية" (التحكم التنبئي بالنموذج - MPC)

هذا هو عقل العملية. معظم محطات الشحن تتفاعل فقط مع ما يحدث الآن. إذا وصلت 5 سيارات، تبدأ الشحن فورًا.

لقد بنى المؤلفون نظام التحكم التنبئي بالنموذج (MPC). فكر في هذا النظام كأنه خبير أرصاد جوية للكهرباء.

الطريقة القديمة: "الجو مشمس الآن، لذا سأفتح النوافذ." (رد فعل)
طريقة الـ MPC: "التوقعات تقول إن عاصفة قادمة خلال ساعتين. يجب أن أغلق النوافذ الآن لأكون مستعدًا." (استباق للأحداث)

ينظر النظام إلى البيانات التاريخية، والوقت من اليوم، واليوم من الأسبوع ليتوقع: "مهلاً، إنها الساعة 8:00 صباحًا من يوم الاثنين. تاريخيًا، ستصل 20 سيارة بحلول الظهر. إذا انتظرنا حتى الظهر لشحنها، فسنصطدم برسوم ذروة باهظة."

لذا، يقول النظام: "لنبدأ شحن تلك السيارات في الساعة 8:00 صباحًا، حتى لو كانت الكهرباء أغلى قليلاً في ذلك الوقت، لأن ذلك سيوفر علينا ثروة من رسوم 'الذروة' لاحقًا."

كيف يعملان معًا

يصف البحث لعبة شطرنج تُلعَب في الوقت الفعلي:

الوصول: يصل سائق إلى المحطة.
التنبؤ: تقول "البلورة السحرية": "اليوم يبدو مزدحمًا. نحن معرضون لخطر الوصول إلى ذروة الاستهلاك."
العرض: يحسب النظام سعرًا خاصًا. يقول للسائق: "إذا اخترت خيار 'المجدول'، سنمنحك خصمًا بنسبة 20%. سنشحن سيارتك ببطء بين الساعة 8 صباحًا و10 صباحًا، حتى لا تضطر للانتظار حتى وقت ذروة الظهيرة."
النتيجة: الكثير من السائقين يقبلون العرض. تقوم المحطة بتوزيع حمل الشحن على مدار الصباح (مثل توزيع الزبدة على قطعة التوست) بدلاً من صبها دفعة واحدة (مثل كومة من الزبدة).
التوفير: نظرًا لتوزيع الحمل، لا تصل المحطة أبدًا إلى تلك "الذروة" المخيفة التي تمثل أثقل رفع للوزمان. تنخفض رسوم "رسوم الطلب" بشكل كبير.

"السر الخفي" للبحث

اختبر الباحثون ثلاثة أنواع مختلفة من "الأدمغة" لهذا النظام:

الدماغ الساذج (The Naive Brain): يفترض عدم حدوث أي شيء جديد. (مثل افتراض عدم دخول أي زبائن جدد).
الدماغ الخطي (The Linear Brain): يستخدم رياضيات بسيطة لتخمين المستقبل.
دماغ XGBoost: ذكاء اصطناعي متطور يتعلم من الأنماط المعقدة.

المفاجأة:
قد تعتقد أن الذكاء الاصطناعي المتطور (XGBoost) هو الذي سيفوز لأنه الأكثر ذكاءً في التنبؤ بالأرقام. لكن الدماغ الساذج كان في الواقع الأفضل في توفير المال!

لماذا؟
تخيل أنك تدير طابورًا من الناس.

الذكاء الاصطناعي المتطور يحاول التنبؤ بدقة بعدد الأشخاص الذين سيدخلون، لكنه يرتبك بسبب الفوضى.
الدماغ الساذج يقول ببساطة: "حسنًا، لدينا 5 أشخاص في الطابور الآن. لنفترض أنه لن يأتي أحد آخر، لكننا سنبدأ خدمتهم فورًا."
ولأن الدماغ الساذج يبدأ في الخدمة مبكرًا (قبل الزحام)، فإنه يتجنب الذروة بالصدفة على أي حال. اتضح أن كونك استباقيًا أهم من كونك دقيقًا تمامًا.

الخلا-صة

من خلال الجمع بين التسعير الذكي (الحصول على موافقة الناس على الانتظار) والتنبؤ الذكي (تخمين المستقبل والتحرك مبكرًا)، وفر مشغل المحطة حوالي 17% من رسوم الذروة و4.5% من إجمالي التكاليف.

بكلمات بسيطة:
بدلاً من الارتباك عندما يصل الحشد، يعمل هذا النظام مثل شرطي مرور حكيم. فهو يوجه السيارات إلى مسارات وأوقات مختلفة قبل وقوع الازدحام المروري، مستخدمًا الخصومات كـ "رشوة" لجعل السائقين يتعاونون. والنتيجة؟ الجميع يتم شحن سياراتهم، والمحطة توفر المال، والشبكة الكهربائية تظل مستقرة.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "التحكم التنبئي بالنماذج (MPC) المشترك للسعر والقدرة لتقليل ذروة القدرة في محطات شحن المركبات الكهربائية في أماكن العمل."

1. بيان المشكلة

تتناول الورقة التكاليف التشغيلية العالية التي يواجهها مشغلو محطات شحن المركبات الكهربائية (EV) التجارية، وتحديداً رسوم الطلب (Demand Charges). رسوم الطلب هي رسوم مرافق تعتمد على أعلى استهلاك للقدرة (ذروة الحمل) خلال دورة الفاتورة، وغالباً ما تشكل 30% إلى 70% من إجمالي تكاليف الكهرباء.

التحدي: وصول المركبات الكهربائية عملية عشوائية (Stochastic). فوصول واحد سيء التوقيت يمكن أن يدفع حمل المحطة فوق الذروة الحالية، مما يؤدي إلى زيادة كبيرة في رسوم الطلب.
قصور الأعمال السابقة:
- تركز استراتيجيات التحسين السابقة غالباً على جدولة القدرة فقط (بشكل غير متوقع أو غير استباقي) دون مراعاة سلوك المستخدم.
- توجد بعض صيغ تحسين السعر والقدرة المشتركة، لكنها تفتقر إلى القدرات الاستباقية (Anticipatory Capabilities). فهي تفشل في مراعção حقيقة أن قرارات التحكم في الصباح الباكر (مثل الساعة 8 صباحاً) تؤثر بشكل كبير على أحمال الذروة في وقت لاحق من اليوم (مثل الساعة 2 ظهراً).
- الطرق الموجودة تتحكم فقط في جلسات الشحن الجارية، مما يفوت فرة تشكيل ملف الحمل (Load Profile) لليوم بأكمله بناءً على المؤشرات المبكرة.

2. المنهجية

يقترح المؤلفون إطار عمل لـ تحسين السعر والقدرة المشترك معزز بـ التحكم التنبئي بالنماذج (MPC) والتنبؤ بالسلاسل الزمنية.

أ. مشكلة التحسين المرجعية (Benchmark)

المرجع هو مشكلة تحسين على مستوى المحطة يتم حلها عند كل وصول مستخدم جديد.

خيارات المستخدم: يُعرض على المستخدمون سعران: $z_{sch}$ $z_{sc h}$ (المجدول) و $z_{reg}$ $z_{r e g}$ (العادي). ويختارون بين:
1. العادي: قدرة قصوى غير قابلة للتحكم.
2. المجدول: ملف قدرة قابل للتحكم، مع ضمان تسليم الطاقة بحلول وقت المغادرة.
3. المغادرة: يغادر المستخدم إذا كانت الأسعار مرتفعة جداً.
الهدف: تعظيم الربح المتوقع من خلال تحسين قائمة الأسعار وملفات القدرة للمستخدمين المجدولين.
النموذج السلوكي: يقدر نموذج اختيار منفصل مكون من خطوتين احتمالية اختيار المستخدمين لأحد الخيارات بناءً على فرق السعر بين "المجدول" و"العادي".

ب. المتحكمات المقترحة لتقليل الذروة

قدم المؤلفون ثلاثة تعديلات محددة للتغلب على قيود النموذج المرجعي:

العتبة الصلبة التكرارية (Iterative Hard Thresholding):
- تضيف قيداً صلباً ( $G_\tau \le M$ ) على حمل المحطة، حيث يتم تهيئة $M$ عند ذروة التشغيل الحالية.
- إذا كانت المشكلة غير قابلة للحل، يتم زيادة $M$ تكرارياً حتى يتم إيجاد حل. هذا يضع حداً صارماً لنمو الذروة ولكنه قد يحد من المرونة.
عقوبة الـ Softplus لرسوم الطلب:
- تستبدل مصطلح رسوم الطلب الخطي بدالة softplus محدبة ( $\log(1+e^x)$ ).
- هذا يخلق عقوبة متزايدة وسلسة مع اقتراب الحمل المُحسَّن من ذروة التشغيل الحالية، مما يشجع المتحكم على تجنب "منطقة الخطر" قبل حدوث كسر للذروة فعلياً.
التحكم التنبئي بالنماذج (MPC) المدعوم بالتنبؤ:
- الابتكار الجوهري: دمج تنبؤ بالسلالة الزمنية لطاقة المحطة المستقبلية في حساب رسوم الطلب.
- الآلية: بدلاً من التحسين فقط للحالة الحالية، يتوقع الـ MPC وصولات المستخدمين المستقبلية وطفرات الحمل. يتم تعديل مصطلح رسوم الطلب للنظر في الحد الأقصى للحمل المتوقع والذروة الحالية.
- نماذج التنبؤ: تم اختبار ثلاثة أنواع:
  - النموذج الساذج (Naive): يفترض عدم وجود وصولات جديدة؛ حيث يجمع الملفات السابقة المثالية مع ملف المستخدم الجديد.
  - الخطي (Linear): انحدار الشبكة المرنة (Elastic Net).
  - XGBoost: تعزيز التدرج (Gradient Boosting).
- الميزات: القدرة التاريخية، الملفات المخطط لها، عدد الجلسات، والترميز الزمني (الوقت من اليوم، يوم الأسبوع).

3. المساهمات الرئيسية

التحكم الاستباقي: أول تطبيق للتحكم التنبئي بالنماذج (MPC) مع التنبؤ بالسلاسل الزمنية خصيصاً لشحن المركبات الكهربائية في أماكن العمل لاستباق طفرات الطلب وتعديل الأسعار وجداول القدرة بشكل استباقي.
المرونة في الحمل عبر التسعير الديناميكي: يوضح كيف يمكن للتسعير الديناميكي أن يحفز المستخدمين على اختيار الشحن "المجدول" (القابل للتحكم)، مما يزيد من مرونة المتحكم في تقليل الذبذبات (Peak Shaving).
الأداء المتفوق: يثبت أن نهج MPC المقترح يتفوق على التحسين المرجعي (غير الاستباقي) وغيره من إعادة صياغات الـ MPC في تقليل كل من رسوم الطلب وإجمالي تكاليف المشغل.
رؤية حول التنبؤ: يكشف أن تقليل خطأ التنبؤ القياسي (RMSE) لا يرتبط بالضرورة بتحسين أداء الـ MPC؛ بل إن بنية التنبؤ بالنسبة لحلقة التحكم هي الأكثر أهمية.

4. النتائج

تم التحقق من المنهجيات باستخدام محاكاة مونت كارلو أعادت تشغيل 2,274 جلسة شحن حقيقية من مشروع (SlrpEV) على مدار 12 شهراً.

تقليل التكاليف:
- حقق نظام MPC (الساذج - Naive) أفضل النتائج، حيث قلل رسوم الطلب بنسبة 16.9% وإجمالي تكاليف المشغل بنسبة 4.6% مقارنة بالنموذج المرجعي.
- قللت جميع متغيرات MPC رسوم الطلب بنسبة تقارب 15% وتكاليف طاقة (تعرفة الوقت من الاستخدام - TOU) بنسبة ~1%.
- فشلت متحكمات الـ MPC غير المباشرة (Threshold و Softplus) في تقليل إجمالي التكاليف بشكل ملحوظ.
إدارة ذروة القدرة:
- قام متحكم MPC بنقل عملية الشحن إلى ساعات خارج الذروة من خلال توقع الأيام المزدحمة، بينما انتظر النموذج المرجعي الحصول على أرخص طاقة (خارج وقت الذروة الفائق) فقط بعد بدء اليوم، مما أدى إلى ذرى أعلى.
- استراتيجية التسعير: يضع الـ MPC أسعاراً مرتفعة للشحن "العادي" خلال ساعات الذروة، ولكنه يقدم خصومات كبيرة للشحن "المجدول" في الصباح الباكر (6-8 صباحاً). هذا يبني قاعدة من الحمل القابل للتحكم مبكراً، مما يسمح للنظام بالحفاظ على أسعار أقل لاحقاً في اليوم.
دقة التنبؤ:
- من المثير للدهشة أن النموذج الساذج (Naive) (الأعلى في خطأ RMSE) تفوق على نماذج Linear و XGBoost (الأقل في RMSE) في تقليل الذروة.
- السبب: تم تدريب النماذج المتقدمة على بيانات تاريخية تم التحكم فيها بواسطة خوارزمية مختلفة (النموذج المرجعي)، مما خلق عدم تطابق في التوزيع. النموذج الساذج، القائم على مخرجات الـ MPC الخاصة به، كان أكثر اتساقاً مع واقع حلقة التحسين.

5. الأهمية والقيود

الأهمية:

الأثر الاقتصادي: يوفر هذا النهج مساراً قابلاً للتطبيق للمشغلين لتقليل التكاليف بنسبة ~5%، والتي يمكن تمريرها للمستهلكين كأدنى الأسعار أو الاحتفاظ بها كربح.
القابلية للتوسع: رغم اختباره على محطة صغيرة (8 شواحن)، يرى المؤلفون أن هذا النهج سيؤدي أداءً أفضل في المواقع الأكبر بسبب قانون الأعداد الكبيرة الذي يعمل على تنعيم منحنيات الحمل.
الجدوى: التعقيد الحسابي منخفض (يعمل في أجزاء من الثانية على جهاز كمبيوتر محمول)، مما يجعل النشر في الوقت الفعلي ممكناً.

القيود والعمل المستقبلي:

قيود المحاكاة: افترضت محاكة مونت كارلو أن المستخدمين قد قرروا بالفعل الشحن (لا يوجد خيار "المغادرة" في بيانات المحاكاة)، مما قد يحرف حسابات الربح.
مشكلة المرجعية الذاتية: إعادة تدريب نماذج التنبؤ على البيانات الناتجة عن الـ MPC نفسه سيحسن الدقة، ولكنه يخلق تبعية دائرية (التنبؤات تعتمد على مخرجات الـ MPC، والـ MPC يعتمد على التنبؤات).
حجم البيانات: درست الدراسة مجموعة بيانات من محطة صغيرة (8 شواحن). هناك حاجة لعمل مستقبلي للتحقق من القابلية للتوسع عبر مئات الشواحن.

في الختام، تثبت الورقة أن تحسين السعر والقدرة المشترك، عند دمجه مع التحكم التنبئي بالنماذج (MPC) الاستباقي، يعد استراتيجية فعالة للغاية لتخفيف رسوم الطلب في شحن المركبات الكهربائية في أماكن العمل، متفوقاً على طرق التحسين التقليدية أو غير الاستباقية.