Seasonality-Aware Dual-Memory Pricing for Electric Vehicle Charging Stations under Non-Stationary Demand
本文介绍了一种季节性感知双记忆定价（SA-DMP）算法，该算法通过动态平衡长期季节性模式与短期市场波动，以优化非平稳需求下的电动汽车充电价格，在证明了其相对于固定权重基准算法具有显著的遗憾值（regret）降低效果的同时，还识别出了自适应定价优于传统分时电价的具体运营边界。
原始论文采用 CC BY 4.0 许可（https://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
电动汽车充电站面临着一种持续的平衡挑战。运营商必须设定既能吸引驾驶员，又能覆盖电力成本的价格，但同时又无法准确预知在任何给定时刻会有多少人到来，或者他们愿意支付多少钱。这是一个从有限线索中学习的问题。当充电站发布一个价格时，它只能看到该特定选择的结果；它永远无法得知如果选择了另一个价格会发生什么。这创造了一个规则随时间变化的谜题。需求遵循可预测的模式，例如高峰时段的峰值或安静的周末，但当附近开了一家新的竞争对手或当地习惯发生变化时，需求也会发生意外偏移。对于管理这些充电站的计算机系统而言，挑战在于如何既能记住过去可靠且重复的模式，又能保持足够的灵活性以适应当前的突然变化。
沈阳大学的研究人员开发了一种解决这一特定谜题的新方法，称为“感知季节性的双重记忆定价”。该系统并非依赖单一的观察过去的方式，而是维护了两种不同的需求记忆。一种记忆观察得较远，捕捉每周和每年稳定、重复的节奏；另一种记忆则仅关注极近的过去，聚焦于市场的即时状况。这项创新的核心在于系统如何决定信任哪种记忆。该系统并非使用固定的规则来融合这两种视角，而是不断观察自身的表现。如果近期记忆在最近的表现中预测得更好，系统就会更多地倾向于它；如果长期模式证明更加可靠，系统就会将重心转回宏观的历史记录。这种调整是自动进行的，基于系统在前几个小时内所犯的错误。
为了测试这一想法，研究人员为充电站构建了一个详细的计算机模拟环境。他们创建了六个不同的世界，每个世界都有其独特的需求行为。在某些场景中，需求是稳定且可预测的；在另一些场景中，需求发生了剧烈变化、缓慢漂移，或者受到了转瞬即逝的临时冲击。他们将这种新系统与使用固定不变的记忆融合比例的版本，以及几种领域内标准的常用方法进行了对比测试。结果显示，这种新型的自适应系统始终能做出更好的定价决策。在测试的所有场景中，它都缩小了自身表现与理论最优结果之间的差距。平均而言，这种改进意味着潜在价值损失减少了约 0.44 个百分点。虽然这个数字看起来可能很小，但在长期连续定价的背景下，它代表了效率的显著提升。
研究还探讨了当系统在更现实、更复杂的环境中进行测试时的情况，即充电过程可能持续数小时并占用物理插座。在这里，研究人员不仅将自适应系统与固定比例的融合方案进行了比较，还将其与精心挑选的标准电价表进行了对比。自适应系统的表现优于固定比例的融合方案，这证明了即使在考虑充电站的物理约束时，在两种记忆之间切换的能力也能创造价值。然而，自适应系统在总利润方面并未击败精心挑选的标准电价表。这一发现至关重要：它表明虽然这种新方法在优化系统如何从过去学习方面表现出色，但它尚未取代对设计良好的固定定价计划的需求。自适应门控是一个强大的学习工具，但它最有效的方式是在夯实稳固基础的基础上进行补充，而非试图从零开始构建整个策略。
研究人员发现，系统的成功在很大程度上取决于它所面临的变化类型。当需求受到临时冲击（例如客户突然短暂减少并迅速恢复正常）时，该系统的表现异常出色。在这些情况下，能够快速信任近期过去并迅速回归信任长期历史的能力成为了明显的优势。相反，当需求发生缓慢、稳定的漂移时，自适应系统的收益较小，因为固定比例的记忆融合几乎能达到同样的效果。此外，该系统在面对不规则、不可预测的变化时可能会产生困惑，有时会对临时噪声反应过度。这说明该方法并非应对所有情况的万能药，而是一种专门的工具，在环境在稳定性与突然且短暂的干扰之间摆动时表现最为突出。
最终，这项工作表明，对于电动汽车充电而言，计算机如何从错误中学习与其看到的数据同样重要。通过赋予系统权衡近期表现与长期经验的能力，研究人员创造了一种既稳定又具有响应性的定价策略。研究结果表明，未来的充电网络可以通过使用这些自适应学习规则来实时管理价格，从而变得更加高效。然而，研究也划定了一个明确的界限：这种学习机制改进了决策的精细化调整，但目前还无法超越经过精确校准的固定定价计划在产生最大利润方面的价值。未来的路径在于将这种智能的自适应学习与物理充电站的运营现实相结合，确保系统不仅从数字中学习，也从汽车和能源的实际流动中学习。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。