⚡ electrical engineering

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

该论文提出了一种结合价格激励与模型预测控制的联合优化框架，通过设计价格菜单引导用户选择可控充电服务，有效降低了工作场所电动汽车充电站的需量电费及运营商总成本。

原作者： Thibaud Cambronne, Samuel Bobick, Wente Zeng, Scott Moura

发布于 2026-03-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Thibaud Cambronne, Samuel Bobick, Wente Zeng, Scott Moura

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于如何给公司停车场里的电动汽车（EV）充电省钱的聪明故事。

想象一下，你经营着一个给员工充电的停车场。电费账单里有一项特别“坑人”的费用，叫**“需量电费”（Demand Charge）**。

1. 核心问题：那个“最贵的瞬间”

这就好比你去餐厅吃饭，账单不是按你吃了多少菜算的，而是按你吃得最撑的那一瞬间算的。

场景：如果早上 10 点，有 10 辆车同时开始疯狂充电，功率瞬间拉满，电力公司就会记录这个“最高峰值”。
后果：哪怕其他时间你用电很少，这个“最高峰值”决定了你整个月都要交一笔巨额的“需量电费”。对于商业充电站来说，这笔钱可能占了总电费的一大半（30%-70%）。

痛点：员工什么时候来充电、什么时候走，完全是随机的（就像天气一样 unpredictable）。如果刚好有个“倒霉蛋”在高峰期来了，整个月的电费账单就会爆炸。

2. 传统做法 vs. 新方案

传统做法（基准方案）：
就像个**“救火队员”**。看到车来了，就赶紧充电。如果为了省钱，就等半夜电费最便宜的时候充。但这有个大问题：如果白天突然来了很多车，为了赶在下班前充满，大家就会一起猛充，导致“最高峰值”瞬间飙升，电费爆炸。
新方案（本文的“联合定价与模型预测控制”）：
这就像个**“精明的交通指挥官” + “心理大师”**。它做了两件大事：

A. 心理大师（动态定价）：
指挥官手里有两张价格牌：
1. 普通充电：价格高，充得快，但不能控制（想什么时候充就什么时候充）。
2. 预约充电：价格低，但可以控制（指挥官决定什么时候充）。
比喻：就像餐厅推出“早鸟套餐”。如果员工愿意接受“预约充电”（让指挥官安排时间），就给他们打折。这样，指挥官就能把那些愿意等待的员工，引导到非高峰期去充电，避免大家挤在一起。

B. 交通指挥官（模型预测控制 MPC）：
传统的指挥官只看眼前，而这位指挥官会看天气预报。
- 预测：它利用历史数据预测今天会不会是个“大忙日”。如果预测到下午 2 点会有一波充电高峰，它不会傻等到 2 点才行动。
- 行动：它会在早上 6 点就悄悄把那些“预约充电”的车充得满满的。这样，等到下午真正的“洪峰”到来时，这些车已经充好了，不需要再耗电，从而把“最高峰值”削平。

3. 他们是怎么做的？（技术大白话）

论文里提出了几种“削峰”的魔法：

硬约束：强行规定“功率不能超过某个值”，如果做不到，就慢慢放宽一点点，直到找到最优解。
软惩罚：如果功率快要接近那个“危险值”了，就给它加个“心理阴影”（数学上的软惩罚），让系统自动避开。
预测未来（MPC）：这是最厉害的。它像下棋一样，不仅看现在的棋局，还预测未来几步对手（电动车）会怎么走。它结合了时间序列预测（比如用 AI 算法 XGBoost 或简单的线性模型）来猜明天会有多少车来。

4. 结果怎么样？

作者用蒙特卡洛模拟（一种用计算机模拟成千上万种可能情况的“虚拟实验”）测试了这个方法：

省大钱：相比传统方法，新方案把“需量电费”降低了约 17%，总运营成本降低了约 4.5%。
反直觉的发现：他们发现，预测得越准（误差越小），并不一定代表省钱效果越好。
- 比喻：就像天气预报，有时候预报“明天有雨”（哪怕不准），你带伞了反而没淋湿；而预报“绝对晴天”（很准），你没带伞结果淋成了落汤鸡。在这个场景里，那个“笨笨的”预测模型（假设没有新车来）反而因为更保守，帮系统避开了风险。

5. 总结与启示

这篇论文的核心思想就是：不要被动地等车来充电，要主动地用“价格”和“预测”来指挥大家错峰充电。

对运营商：能省下真金白银，利润更高。
对用户：愿意配合“预约充电”的人，能享受到更便宜的电费。
对社会：电网压力小了，更稳定，也更环保。

一句话总结：这就好比在早高峰的地铁站，与其让所有人挤在门口（导致踩踏和混乱），不如通过“早到打折”和“智能引导”，让大家分散在不同时间进站，既省了大家的力气，也保证了车站的秩序。

论文技术总结：面向工作场所电动汽车充电站的联合价格与功率模型预测控制（MPC）以降低峰值功率

1. 研究背景与问题定义

背景：
工作场所电动汽车（EV）充电是交通电气化和脱碳的关键环节。然而，对于商业充电站运营商而言，需量电费（Demand Charge） 是一项巨大的成本。需量电费基于计费周期内的最高功率消耗收取，在美国商业用户电费中通常占比 30% 至 70%。

核心问题：
现有的智能充电策略主要关注优化功率调度以应对随机到达的车辆，但往往忽略了价格机制对用户行为的引导作用。

传统的优化方法通常是非前瞻性的（Non-anticipatory），即仅在用户到达时进行优化，缺乏对全天负荷高峰的预判能力。
工作场所充电具有特殊性：大多数充电会话在早晨开始并持续至下班，因此早晨的决策会直接影响下午的峰值功率。
现有文献多仅控制已开始的充电会话，缺乏通过动态定价激励用户选择“可控充电服务”的联合优化框架。

目标：
提出一种联合价格与功率优化框架，利用模型预测控制（MPC）和动态定价，激励用户选择可控充电模式，从而降低需量电费和运营商总成本。

2. 方法论 (Methodology)

2.1 联合价格与功率优化框架

论文构建了一个基准优化问题，当新用户到达时，系统根据用户输入的所需能量 ( $E_{req}$ ) 和离开时间 ( $T_{end}$ )，提供两种充电价格选项：

常规充电 (REGULAR)：以最大功率充电，负荷不可控。
预约充电 (SCHEDULED)：由算法控制功率曲线，保证在离开前充满，但价格通常较低。
离开 (LEAVE)：用户因价格过高而放弃充电。

优化目标：
最大化运营商的期望利润（即最小化总成本，包括能源成本、需量电费及机会成本）。

决策变量：向新用户展示的 $z_{sch}$ (预约价格) 和 $z_{reg}$ (常规价格)，以及所有选择预约服务的用户的功率曲线 $p$ 。
用户行为模型：采用两步离散选择模型（Discrete Choice Model），基于效用函数计算用户选择不同选项的概率。

2.2 改进的控制器策略

为了克服传统优化的局限性，论文提出了三种改进策略，旨在增强控制器的前瞻性（Anticipatory Ability）：

A. 迭代硬阈值 (Iterative Hard Thresholding)

在优化问题中增加硬约束 $G_\tau \le M$ ，限制瞬时负荷不超过当前运行峰值。
若问题不可行，则逐步放宽阈值 $M$ 直至找到可行解。

B. 软正函数需量惩罚 (Softplus Demand Charge Penalty)

引入凸函数 softplus(x) = log(1 + e^x) 对接近运行峰值的负荷进行惩罚。
当负荷接近峰值时施加平滑的惩罚，当超过峰值时惩罚收敛至线性，以此避免负荷“触碰”峰值。

C. 基于预测的模型预测控制 (Forecast-enabled MPC)

核心创新：将时间序列预测集成到需量电费项中，提前预判未来的负荷高峰。
预测模型：
1. 朴素模型 (Naive)：假设无新车辆到达，仅基于上一轮优化结果叠加新用户负荷。
2. 线性模型 (Linear)：基于弹性网络回归 (Elastic Net) 训练。
3. XGBoost 模型：基于梯度提升树训练。
特征工程：包含历史功率曲线、计划功率曲线、会话数量、时间编码（日/周/年/工作日）等。
控制逻辑：利用预测的未来负荷 $\hat{G}$ 来调整当前的定价和功率分配，提前在低电价时段（Off-peak）充电，以削峰填谷。

3. 关键贡献 (Key Contributions)

提出前瞻性 MPC 方法：利用时间序列预测技术预判需求激增，使控制器能在早晨做出影响下午峰值的决策。
通过动态定价增加负荷灵活性：利用价格杠杆激励用户选择“可控充电（SCHEDULED）”服务，从而为控制器提供更大的调度空间来削峰。
性能验证与超越：通过蒙特卡洛模拟证明，该联合优化方法在降低需量电费和总运营成本方面，显著优于现有的基准优化算法（如文献 [10] 中的非 MPC 方法）及其他非 MPC 的凸优化形式。

4. 实验结果 (Results)

研究基于 Smart Learning Pilot for EV Charging Stations (SlrpEV) 平台的 2274 次充电会话数据进行了蒙特卡洛模拟（12 个月，每月 10 次重复）。

4.1 成本与收益对比

控制方案	需量电费变化	分时电价 (TOU) 成本变化	总成本变化	利润变化
基准 (Benchmark)	0.00%	0.00%	0.00%	0.00%
MPC (Naive)	-16.90%	-0.71%	-4.58%	+0.29%
MPC (Linear)	-16.50%	-0.68%	-4.47%	+0.71%
MPC (XGBoost)	-14.57%	-1.39%	-4.55%	+1.00%
非 MPC (Softplus)	-2.34%	+1.67%	+0.71%	+0.71%

主要发现：所有 MPC 方案均成功将需量电费降低了约 15-17%，总运营成本降低了约 4.5%。
非 MPC 方案（如硬阈值和软惩罚）未能显著降低总成本，甚至因过度保守导致 TOU 成本上升。

4.2 控制行为分析

负荷分配：MPC 控制器在早晨（6-8 AM）通过降低预约充电价格，引导用户提前充电，从而在下午高峰时段（TOU 高价期）减少负荷。
定价策略：MPC 在早晨对预约服务提供大幅折扣，建立可控负荷基础；而在基准方案中，由于缺乏预判，往往在高峰时段被迫提高价格以补偿未预见的负荷。

4.3 预测精度与性能的非线性关系

反直觉发现：训练误差（RMSE）最低的模型（XGBoost 和 Linear）并未带来最佳的峰值削减效果。
原因分析：
1. 数据分布不匹配：训练数据包含受基准算法控制的会话，而 MPC 运行时的数据分布不同。
2. 自指问题：理想的预测应基于 MPC 自身的输出，但这构成了循环依赖。
3. 朴素模型的优势：尽管 RMSE 较高，但朴素模型基于上一轮 MPC 的输出，在“无新车辆到达”的假设下更贴合 MPC 的优化逻辑，因此在削峰任务中表现最佳。

5. 意义与局限性 (Significance & Limitations)

5.1 意义

经济效益：证明了联合价格与功率控制能显著降低商业充电站的运营成本（特别是需量电费），这些节省可转化为运营商利润或更低的用户电价。
技术可行性：算法计算复杂度低（在普通笔记本上运行时间小于 1 秒），具备实时部署潜力。
用户接受度：结合现有研究，表明用户愿意为了折扣接受充电控制，联合优化具有实际落地基础。

5.2 局限性与未来工作

数据集规模：实验基于仅 8 个充电桩的小型站点。对于大规模站点，负荷曲线更平滑，预测可能更准确，MPC 效果可能更佳。
用户行为模拟：模拟中假设用户已决定充电（排除了"LEAVE"选项），这可能导致利润估算偏差。未来需将“离开”行为更真实地纳入蒙特卡洛模拟。
预测与优化的循环依赖：如何训练与 MPC 输出分布一致的预测模型（解决自指问题）是未来的研究重点。
扩展性：未来需研究跨多个站点、数千个充电桩的聚合控制策略。

总结：该论文提出了一种创新的联合定价与 MPC 控制框架，通过前瞻性地利用价格杠杆和负荷预测，有效解决了工作场所 EV 充电中的需量电费问题，为商业充电站的智能化运营提供了有力的理论依据和实证支持。