Dynamická cenotvorba nabíjení elektrických vozidel pomocí Markovských rozhodovacích procesů

Abstract

V současné době jsme svědky celosvětového přechodu od fosilních paliv k obnovitelným zdrojům energie, přičemž klíčovou roli v tomto přechodu hraje elektrifikace dopravy.Současný nárůst počtu elektrických vozidel (EV) a přechod na obnovitelné zdroje energie zatěžují elektrickou síť.Stávající nabíjecí infrastruktura a s ní spojené obchodní modely jsou navíc na očekávaný prudký nárůst počtu EV špatně připraveny.Rozšíření EV navíc brání nepohodlnost a nepředvídatelnost procesu nabíjení.Metoda dynamické tvorby cen nabíjení EV, kterou představujeme v této práci, nabízí slibnou strategii pro zvládnutí rostoucí poptávky po nabíjení EV a následného zatížení elektrické sítě.Tento přístup také poskytuje provozovatelům dobíjecích stanic udržitelnější obchodní model a zvyšuje spolehlivost cestování pro řidiče EV.V této práci nejprve prezentujeme simulační studii různých forem rezervací nabíjení EV, která identifihuje ty jež jsou pro provozovatele nabíjecích stanic a řidiče EV nejvhodnější.Naše výsledky naznačují, že největší přínosy řidičům plynou z včasného plánování nabíjení předem.Provozovatelé dobíjecích stanic mohou toto plánování podpořit a zvýšit své příjmy tím, že nabídnou předběžné rezervace dobíjení.Tato strategie má nejlepší výsledky při cestách na dlouhé vzdálenosti vyžadujících rychlé nabíjení.Zbytek práce se tak soustředí na problematiku dynamické tvorby cen předem naplánovaného nabíjení EV.Naše zkoumání dynamické tvorby cen nabíjení EV začínáme z pohledu provozovatele dobíjecí stanice, jehož cílem je maximalizace příjmů.Prostřednictvím analýzy historických dat o tržbách může provozovatel vytvořit stochastické modely poptávky a chování zákazníků. Pomocí těchto modelů lze pak dynamickou tvorbu cen rámovat jako problém sekvenčního rozhodování v neurčitosti, který formulujeme jako Markovský rozhodovací proces (MDP).V tomto MDP modelu používáme několik zjednodušení abychom ho dokázali vyřešit. Například, nezohledňujeme vliv dopoledních rezervací nabíjení na ceny v odpoledních hodinách. Navíc do stavového prostoru MDP začleňujeme cyklickou strukturu, abychom zmenšili velikost akčního i stavového prostoru.Tato zjednodušení nám umožňují optimálně vyřešit tento MDP model a ukazují, že dynamická tvorba cen může z hlediska příjmů překonat řešení s paušálními cenami a vést k efektivnějšímu rozdělování zdrojů.V práci dále řešíme omezení zjednodušeného modelu, a to tím, že uvažujeme o tvorbě cen nabíjení EV komplexně a zohledňujeme potenciální překryvy mezi všemi rezervacemi nabíjení EV, a to jak minulými, tak budoucími.Navíc, abychom zvýšili realističnost modelu poptávky, nahrazujeme cyklickou strukturu, která omezuje jeho přesnost, Poissonovým procesem.Výsledkem je obecnější a realističtější model, v jehož rámci také kvantifikujeme chybu aproximace způsobenou diskretizací MDP.Vzhledem ke zvýšené složitosti nového modelu vyvíjíme k jeho řešení heuristický algoritmus na základě stromových Monte Carlo metod.Vyhodnocením výkonnosti našeho řešení ve srovnání s několika výchozími modely ukazujeme, že naše metoda dynamické tvorby cen dokáže účinně a efektivně řešit scénáře nabíjecích stanic realistické velikosti.

We are currently witnessing a global energy shift from fossil fuels to renewable sources, with the electrification of transportation playing a crucial role in this transition.The simultaneous increase in electric vehicles (EVs) and the transition towards renewable energy sources are straining the electrical grid.Furthermore, the existing charging infrastructure and its associated business models are ill-prepared for the anticipated surge in EV adoption.Additionally, the adoption of EVs is impeded by the inconvenience and unpredictability of the charging process.The method of dynamic pricing for EV charging, as presented in this thesis, offers a promising strategy to manage the growing demand for EV charging and the consequent stress on the electrical grid.This approach also provides charging station operators with a more sustainable business model and enhances travel reliability for EV drivers.Initially, we conduct a simulation study of various EV charging reservation products to identify those most beneficial for charging station operators and EV drivers.Our findings suggest that the greatest benefits for drivers stem from modifying their charging behavior by planning charging well in advance.Charging station operators can foster this planning behavior and boost their revenues by offering advanced reservations for charging sessions.This strategy proves particularly effective for long-distance travel requiring fast charging.Consequently, the rest of the thesis concentrates on the issue of dynamically pricing pre-planned EV charging sessions.We begin by examining the dynamic pricing from the perspective of the charging station operator, who aims to maximize revenue.Through analyzing historical sales data, the operator can develop stochastic models of demand and customer behavior. Using these models, dynamic pricing can then framed as a sequential decision-making problem under uncertainty, formulated as a Markov Decision Process (MDP).In this MDP model, we apply several simplifications to render the problem tractable. For instance, we disregard the influence of a charging session reserved in the morning on the prices in the afternoon. Moreover, we incorporate a cyclical structure into the MDP state space to reduce the size of both the action and state spaces.These simplifications let us optimally solve this MDP model, demonstrating that dynamic pricing can surpass a flat-rate pricing baseline in terms of revenue and lead to a more efficient resource allocation.Next, we address the limitations of the simplified model by considering pricing comprehensively, accounting for potential overlaps among all charging requests, both past and future.Additionally, to enhance the realism of the demand model, we replace the cyclical structure, which constrains its accuracy, with a Poisson process.This results in more general and realistic model, within which we also quantify the inherent approximation error of the discrete MDP.Given the new model's increased complexity, we develop a heuristic Monte Carlo tree search algorithm to solve it.By evaluating the solution's performance against multiple baselines, we demonstrate that our dynamic pricing method can efficiently and effectively solve realistically-sized charging station scenarios.