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

📄 arXiv: 2507.12703v2 📥 PDF

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

分类: eess.SY

发布日期: 2025-07-17 (更新: 2025-10-01)

💡 一句话要点

提出联合价格与功率MPC，降低工作场所电动汽车充电站的峰值功率需求

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 电动汽车充电站 峰值功率需求 模型预测控制 价格优化 需求侧管理

📋 核心要点

  1. 商业电动汽车充电站面临高昂的需求费用，现有方法难以有效降低峰值功率需求。
  2. 论文提出联合价格与功率优化的模型预测控制方法，通过价格激励引导用户选择可控充电服务。
  3. 蒙特卡罗模拟表明，该算法优于现有基准策略，显著降低了充电站运营商的成本。

📝 摘要（中文）

本文研究了在联合价格和功率优化框架下，降低工作场所电动汽车（EV）充电站峰值功率消耗的控制方法。针对商业电动汽车充电站运营商，电力需求费用通常占电力成本的很大一部分。本文优化了一系列价格选项，以激励用户选择可控的充电服务。在此框架下，我们提出了一种模型预测控制方法，以降低需求费用和运营商的总体成本。通过蒙特卡罗模拟，我们发现我们的算法优于最先进的基准优化策略，并且可以显著降低充电站运营商的成本。

🔬 方法详解

问题定义：论文旨在解决工作场所电动汽车充电站运营商面临的高昂电力需求费用问题。现有方法在降低峰值功率需求方面效果有限，无法有效平衡用户充电需求和运营商成本。

核心思路：论文的核心思路是通过联合优化充电价格和充电功率，利用价格机制引导用户选择可控的充电服务，从而平滑充电负荷曲线，降低峰值功率需求。这种方法将用户行为纳入优化过程，实现更有效的需求侧管理。

技术框架：整体框架包含两个主要模块：价格优化模块和功率控制模块。价格优化模块根据用户充电需求和电网状况，生成一系列价格选项，激励用户选择可控充电服务。功率控制模块采用模型预测控制（MPC）方法，根据用户选择的充电服务和电网约束，优化每个充电桩的充电功率，以最小化峰值功率需求和运营商成本。

关键创新：论文的关键创新在于将价格机制与模型预测控制相结合，实现联合优化。传统方法通常只关注功率控制，忽略了价格对用户行为的影响。通过引入价格激励，论文能够更有效地引导用户行为，从而实现更优的峰值功率需求控制效果。

关键设计：价格优化模块设计了一系列价格选项，包括固定价格、分时价格和可控充电价格。可控充电价格允许运营商在一定范围内调整充电功率，以换取更优惠的价格。功率控制模块采用模型预测控制，预测未来一段时间内的用户充电需求和电网状况，并根据预测结果优化充电功率。目标函数包括峰值功率需求和运营商成本，约束条件包括电网容量限制和用户充电需求。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

蒙特卡罗模拟结果表明，所提出的联合价格与功率MPC算法优于现有基准优化策略，能够显著降低充电站运营商的成本。具体而言，该算法在降低峰值功率需求方面表现出色，同时兼顾了用户充电需求和运营商利润，实现了多方共赢。

🎯 应用场景

该研究成果可应用于商业电动汽车充电站、停车场等场景，帮助运营商降低电力成本，提高运营效率。通过优化充电价格和功率，可以有效缓解电网压力，促进电动汽车的普及和可持续发展。未来，该方法可以扩展到其他类型的电力负荷管理，如智能家居、工业园区等。

📄 摘要（原文）

Demand charge often constitutes a significant portion of electricity costs for commercial electric vehicle (EV) charging station operators. This paper explores control methods to reduce peak power consumption at workplace EV charging stations in a joint price and power optimization framework. We optimize a menu of price options to incentivize users to select controllable charging service. Using this framework, we propose a model predictive control approach to reduce both demand charge and overall operator costs. Through a Monte Carlo simulation, we find that our algorithm outperforms a state-of-the-art benchmark optimization strategy and can significantly reduce station operator costs.