考虑用户决策偏好的电动汽车充电引导策略

doi:10.12096/j.2096-4528.pgt.260215

发电技术 ›› 2026, Vol. 47 ›› Issue (2): 383-394.DOI: 10.12096/j.2096-4528.pgt.260215

• 虚拟电厂 • 上一篇

考虑用户决策偏好的电动汽车充电引导策略

李恒杰¹, 张尊康¹, 周云², 冯冬涵², 马喜平³

^1.兰州理工大学电气工程与信息工程学院，甘肃省兰州市 730050
^2.上海交通大学电力传输与功率变换控制教育部重点实验室，上海市闵行区 200240
^3.国网甘肃省电力公司电力科学研究院，甘肃省兰州市 730070

收稿日期:2025-04-12 修回日期:2026-06-20 出版日期:2026-04-30 发布日期:2026-04-21
作者简介:李恒杰(1981)，男，博士，教授，研究方向为电力/综合能源系统应急及用电能效管理，lihj915@lut.edu.cn；
张尊康(1999)，男，硕士研究生，研究方向为充电基础设施规划及运行优化，ZZK_631@163.com；
周云(1990)，男，博士，讲师，研究方向为电力/综合能源系统应急及用电能效管理，yun.zhou@sjtu.edu.cn；
冯冬涵(1981)，男，博士，教授，研究方向为智能电网中电动策略与风险、电力市场理论与设计等，seed@sjtu.edu.cn；
马喜平(1987)，男，硕士，高级工程师，研究方向为新能源并网与电网降损节能技术，maxpgs@163.com。
基金资助:
国家自然科学基金项目(52167014)

Electric Vehicle Charging Guidance Strategy Considering User Decision Preferences

Hengjie LI¹, Zunkang ZHANG¹, Yun ZHOU², Donghan FENG², Xiping MA³

^1.School of Electrical Engineering and Information Engineering, Lanzhou University of Technology, Lanzhou 730050, Gansu Province, China
^2.Key Laboratory of Control of Power Transmission and Conversion, Ministry of Education, Shanghai Jiao Tong University, Minhang District, Shanghai 200240, China
^3.Electric Power Research Institute, State Grid Gansu Electric Power Company, Lanzhou 730070, Gansu Province, China

Received:2025-04-12 Revised:2026-06-20 Published:2026-04-30 Online:2026-04-21
Supported by:
National Natural Science Foundation of China(52167014)

摘要/Abstract

摘要：

目的在电动汽车充电引导过程中，用户在选择充电站中存在不同偏好，导致用户的充电站选择标准不同，影响用户参与优化调度。因此，针对用户选择充电站习惯以及用户与充电聚合商利益冲突，提出了一种考虑目标充电站选择习惯的电动汽车充电引导策略。方法采用自组织特征映射(self-organizing feature mapping，SOFM)来进行用户画像，再使用SHAP(Shapley additive explanations)确定最佳画像结果。使用熵权法来确定每类用户在选择充电站过程中时间成本和经济成本所占的权重；根据权重结果将用户的费用成本和时间成本归化为用户满意度；然后，根据用户满意度对用户进行充电引导。结果算例表明，该策略相比于最短路径算法显著提升了用户选择充电站的满意度和充电桩的单位时间盈利，同时在不同的交通情况下该策略受影响较小。结论该策略有效地解决了用户充电决策偏好对充电引导的影响，对提高用户的充电利益和减少用户的充电拥堵有重要意义。

关键词: 电动汽车(EV), 决策偏好, 用户画像, 充电引导, 费用成本, 时间成本, 满意度

Abstract:

Objectives During the electric vehicle (EV) charging guidance process, users have different preferences in selecting charging stations, resulting in different selection criteria, which affects their participation in optimal scheduling. Therefore, considering user habits in selecting charging stations and the conflicts of interest between users and charging aggregators, an EV charging guidance strategy that incorporates target charging station selection habits is proposed. Methods Self-organizing feature mapping (SOFM) is used for user profiling, and Shapley additive explanations (SHAP) are utilized to determine the optimal profiling results. Secondly, the entropy weight method is applied to determine the weights of time cost and economic cost for each type of user during the charging station selection process. Based on the weight results, user economic cost and time cost are normalized into user satisfaction. Then, users are guided to charge based on their user satisfaction. Results The example shows that compared with the shortest path The numerical example shows that compared with the shortest path algorithm, this strategy significantly improves user satisfaction in selecting charging stations and the profit per unit time of charging piles. Additionally, this strategy is less affected under different traffic conditions. Conclusions This strategy effectively addresses the impact of user charging decision preferences on charging guidance, which is of great significance for improving user charging benefits and reducing charging congestion.

Key words: electric vehicle (EV), decision preferences, user profiling, charging guidance, economic cost, time cost, satisfaction

中图分类号:

TK 01

李恒杰, 张尊康, 周云, 冯冬涵, 马喜平. 考虑用户决策偏好的电动汽车充电引导策略[J]. 发电技术, 2026, 47(2): 383-394.

Hengjie LI, Zunkang ZHANG, Yun ZHOU, Donghan FENG, Xiping MA. Electric Vehicle Charging Guidance Strategy Considering User Decision Preferences[J]. Power Generation Technology, 2026, 47(2): 383-394.

图/表 19

图1 EV用户充电服务平台

Fig. 1 EV user charging service platform

图2 画像流程图

Fig. 2 Profiling flowchart

图3 充电引导流程图

Fig. 3 Charging guidance flowchart

表1 测试区域充电站信息

Tab. 1 Charging station information in test area

充电站编号	经度/(°)	纬度/(°)	快充桩数/个	充电功率/kW
1	121.435 761	31.030 488	4	120
2	121.437 324	31.024 187	3	120
3	121.438 716	31.032 043	6	120
4	121.442 952	31.032 809	3	120
5	121.445 364	31.027 119	15	120
6	121.446 612	31.036 348	6	120

表2 测试区域部分电动汽车历史数据

Tab. 2 Historical data of some electric vehicles in test area

电动汽车编号	经度/(°)	纬度/(°)	平均时间成本/min	平均费用成本/元
1	121.444 817	31.037 233	10.57	52.93
2	121.444 861	31.037 296	48.13	51.55
3	121.444 613	31.036 693	47.97	41.24
4	121.453 379	31.037 606	63.17	50.86
5	121.453 878	31.037 655	62.22	49.49
6	121.453 588	31.036 732	49.07	53.61
7	121.447 221	31.039 355	37.12	51.55
8	121.454 439	31.034 745	39.00	48.80
9	121.445 932	31.038 703	41.15	54.30
10	121.447 353	31.039 620	30.22	43.30

表3 时间成本和费用成本SHAP值

Tab. 3 SHAP values of time cost and economic cost

成本类型	簇数
成本类型	3	4	5	6	7
时间成本SHAP值	0.523	0.702	0.516	0.516	0.516
费用成本SHAP值	0.477	0.298	0.484	0.484	0.484

表4 画像结果信息

Tab. 4 Profiling result information

用户类别	平均时间/min	平均费用/元	频数
A类用户	13.97	48.21	21
B类用户	22.24	45.31	24
C类用户	8.04	44.84	17
D类用户	11.15	53.27	18
E类用户	23.13	52.31	20

图4 画像结果图

Fig. 4 Profiling results

表5 用户选择充电站习惯的权重

Tab. 5 Weights of users’ charging station selection habits

用户类别	时间成本权重	费用成本权重	平均时间/min	平均费用/元
A类用户	0.556 3	0.443 7	13.97	48.21
B类用户	0.225 2	0.774 8	22.24	45.31
C类用户	0.525 3	0.474 7	8.04	44.84
D类用户	0.892 3	0.107 7	11.15	53.27
E类用户	0.563 2	0.436 8	23.13	52.31

表6 时间成本和费用成本阈值

Tab. 6 Thresholds of time cost and economic cost

指标	$κ m i n$	$κ m a x$
时间成本/min	0	240
价格成本/元	0	100

表6 时间成本和费用成本阈值

Tab. 6 Thresholds of time cost and economic cost

指标	$κ m i n$	$κ m a x$
时间成本/min	0	240
价格成本/元	0	100

图5 用户满意度结果图

Fig. 5 User satisfaction results

表7 不同策略下的用户满意度

Tab. 7 User satisfaction under different strategies

策略	排队时间/h	行驶时长/h	充电费用/元	总体满意度
1	78.2	22.3	5 775.5	0.595
2	276.1	29.2	4 577.9	0.484
3	53.7	26.1	5 173.2	0.728

表8 不同策略下的充电站单位时间盈利

Tab. 8 Profit per unit time of charging stations under different strategies

策略	总服务时长/h	总费用/元	单位时间盈利/(元⋅h^-1)
1	185.2	5 775.5	31.2
2	345.6	4 577.9	13.2
3	123.5	5 173.2	41.9

表9 3种典型场景下的引导结果

Tab. 9 Guidance results under three typical scenarios

场景	满意度
场景	A类用户	B类用户	C类用户	D类用户	E类用户	总体
1	0.75	0.60	0.70	0.93	0.71	0.731
2	0.75	0.59	0.70	0.93	0.71	0.728
3	0.75	0.59	0.70	0.94	0.71	0.731

图6 浦东测试区域充电站地理位置及充电需求分布示意图

Fig. 6 Schematic diagram of geographical locations of charging stations and charging demand distribution in Pudong test area

表10 不同策略下充电桩的单位时间盈利

Tab. 10 Profit per unit time of charging piles under different strategies

策略	总费用/元	充电桩总服务时间/h	充电桩单位时间盈利/(元⋅h^-1)	用户平均满意度
1	595 493.9	32 147	18.5	0.22
3	564 262.6	14 976	37.7	0.61

图7 不同簇数的时间成本特征值

Fig. 7 Time cost eigenvalues for different cluster numbers

图8 策略1充电引导结果示意图

Fig. 8 Schematic diagram of charging guidance results under strategy 1

图9 策略3充电引导结果示意图

Fig. 9 Schematic diagram of charging guidance results under strategy 3

参考文献 28

[1]	刘祺，王承民，谢宁，等．新型配电系统中考虑电动汽车差异化行为特性的充换电站规划方法[J]．智慧电力，2024，52(9)：18-24．
	LIU Q， WANG C M， XIE N，et al ．Charging and swapping stations planning method considering differentiated behavior characteristics of electric vehicles in new distribution system[J]．Smart Power，2024，52(9)：18-24．
[2]	陈腾生，杨汝泉，隋坤明，等．考虑用户决策不确定性的电动汽车充电站用户参与度优化方法[J]．电力科学与技术学报，2024，39(4)：128-137．
	CHEN T S， YANG R Q， SUI K M，et al ．Optimization of user participation in electric vehicle charging stations considering uncertainty of user decision[J]．Journal of Electric Power Science and Technology，2024，39(4)：128-137．
[3]	庞松岭，赵海龙，张晨佳．计及充电需求差异的电动汽车充电设施协同优化配置[J]．电测与仪表，2024，61(12)：171-177． doi:10.19753/i.issnlOOl-1390.2024.12.021
	PANG S L， ZHAO H L， ZHANG C J ．Collaborative optimization configuration of electric vehicle charging facilities considering differences in charging demand[J]．Electrical Measurement & Instrumentation，2024，61(12)：171-177． doi:10.19753/i.issnlOOl-1390.2024.12.021
[4]	袁建华，张天宇，陈广生，等．基于补偿机制的电动汽车区域多维补电优化调度策略[J]．中国电力，2025，58(4)：119-130． doi:10.11930/j.issn.1004-9649.202404112
	YUAN J H， ZHANG T Y， CHEN G S，et al ．Optimization and scheduling strategy for regional multi-dimensional charging of electric vehicles based on compensation mechanism[J]．Electric Power，2025，58(4)：119-130． doi:10.11930/j.issn.1004-9649.202404112
[5]	胡俊杰，潘羿，徐成明，等．基于动态交通推演的电动汽车充电快速引导策略[J]．电工技术学报，2025，40(9)：2880-2896．
	HU J J， PAN Y， XU C M，et al ．Fast guidance strategy for electric vehicle charging based on dynamic traffic inference[J]．Transactions of China Electrotechnical Society，2025，40(9)：2880-2896．
[6]	崔露，刘世林，苗婉，等．考虑电转氢和需求响应的风光储综合充能站优化运行策略[J]．发电技术，2025，46(1)：31-41． doi:10.12096/j.2096-4528.pgt.24090
	CUI L， LIU S L， MIAO W，et al ．Optimized operation strategy of wind-solar-storage integrated charging station considering power-to-hydrogen and demand response[J]．Power Generation Technology，2025，46(1)：31-41． doi:10.12096/j.2096-4528.pgt.24090
[7]	马永翔，韩子悦，闫群民，等．考虑电动汽车充电负荷及储能寿命的充电站储能容量配置优化[J]．电网与清洁能源，2024，40(4)：92-101
	MA Y X， HAN Z Y， YAN Q M，et al ．Optimization of storage capacity allocation at charging stations considering EV charging load and storage lifetime[J]．Advances of Power System & Hydroelectric Engineering，2024，40(4)：92-101．
[8]	庞松岭，赵雨楠，张瑞恩，等．市场环境下计及用户响应的电动汽车充电站优化运行策略[J]．电力建设，2024，45(10)：59-68．
	PANG S L， ZHAO Y N， ZHANG R E，et al ．The optimal operation strategy of electric vehicle charging stations considering user response in market environment[J]．Electric Power Construction，2024，45(10)：59-68．
[9]	吴小汉，张谦，粟尧嘉，等．基于区块链的私有充电桩共享平台交易策略[J]．发电技术，2022，43(3)：439-451． doi:10.12096/j.2096-4528.pgt.21134
	WU X H， ZHANG Q， SU Y J，et al ．Sharing platform trading strategy of private charging pile based on blockchain[J]．Power Generation Technology，2022，43(3)：439-451． doi:10.12096/j.2096-4528.pgt.21134
[10]	詹华，江昌旭，苏庆列．基于分层强化学习的电动汽车充电引导方法[J]．电力自动化设备，2022，42(10)：264-272．
	ZHAN H， JIANG C X， SU Q L ．Electric vehicle charging navigation method based on hierarchical reinforcement learning[J]．Electric Power Automation Equipment，2022，42(10)：264-272．
[11]	杨有为，徐春梅，彭道刚，等．动态能源与地理信息融合的光储充电站电动汽车充电路径引导[J]．电力自动化设备，2024，44(2)：72-80． doi:10.16081/j.epae.202303040
	YANG Y W， XU C M， PENG D G，et al ．Charging path guidance of electric vehicles at photovoltaic-storage charging stations based on dynamic energy and geographic information fusion[J]．Electric Power Automation Equipment，2024，44(2)：72-80． doi:10.16081/j.epae.202303040
[12]	江昌旭，卢玥君，邵振国，等．基于图神经网络多智能体强化学习的电力-交通融合网协同优化运行[J]．高电压技术，2023，49(11)：4622-4631． doi:10.13336/j.1003-6520.hve.20221965
	JIANG C X， LU Y J， SHAO Z G，et al ．Collaborative optimization operation of integrated electric power and traffic network based on graph neural network multi-agent reinforcement learning[J]．High Voltage Engineering，2023，49(11)：4622-4631． doi:10.13336/j.1003-6520.hve.20221965
[13]	LIU L， ZHOU K ．Electric vehicle charging scheduling considering urgent demand under different charging modes[J]．Energy，2022，249：123714． doi:10.1016/j.energy.2022.123714
[14]	刘丽军，陈昌，胡鑫，等．基于“车-路-站-网”信息耦合的电动汽车有序充电策略[J]．高电压技术，2024，50(2)：693-703．
	LIU L J， CHEN C， HU X，et al ．Ordered charging strategy for electric vehicles based on the information coupling of vehicle-road-station-grid[J]．High Voltage Engineering，2024，50(2)：693-703．
[15]	房宇轩，胡俊杰，马文帅．计及用户意愿的电动汽车聚合商主从博弈优化调度策略[J]．电工技术学报，2024，39(16)：5091-5103．
	FANG Y X， HU J J， MA W S ．Optimal dispatch strategy for electric vehicle aggregators based on stackelberg game theory considering user intention[J]．Transactions of China Electrotechnical Society，2024，39(16)：5091-5103．
[16]	谢龙韬，谢仕炜，陈铠悦，等．考虑用户出行成本预算的电力-交通耦合网络充电站定价策略[J]．电力系统自动化，2024，48(7)：201-209．
	XIE L T， XIE S W， CHEN K Y，et al ．Pricing strategy of charging station in power-transportation coupling network considering user travel cost budget[J]．Automation of Electric Power Systems，2024，48(7)：201-209．
[17]	杨帅，戴朝华，郭爱，等．考虑负荷空间均衡和充电站合作博弈的快速充电定价机制[J]．电力系统自动化，2024，48(7)：190-200． doi:10.7500/AEPS20230614001
	YANG S， DAI C H， GUO A，et al ．Fast charging pricing mechanism considering load space balance and cooperative game of charging stations[J]．Automation of Electric Power Systems，2024，48(7)：190-200． doi:10.7500/AEPS20230614001
[18]	HE Z， HOU H， HOU T，et al ．Multi-objective optimization for improving EV users’ adhesion with hybrid demand response strategy[J]．Energy Reports，2023，9：316-322． doi:10.1016/j.egyr.2023.04.306
[19]	毕军，杜宇佳，王永兴，等．基于用户综合满意度的电动汽车充电诱导优化模型[J]．清华大学学报(自然科学版)，2023，63(11)：1750-1759． doi:10.16511/j.cnki.qhdxxb.2023.26.038
	BI J， DU Y J， WANG Y X，et al ．Optimization model of electric vehicle charging induction based on comprehensive satisfaction of users[J]．Journal of Tsinghua University (Science and Technology)，2023，63(11)：1750-1759． doi:10.16511/j.cnki.qhdxxb.2023.26.038
[20]	李振华，张成浩，刘奕舟，等．基于多特征提取和多层级迁移学习的电动汽车充电站充电量预测[J]．电力系统保护与控制，2025，53(6)：150-162．
	LI Z H， ZHANG C H， LIU Y Z，et al ．Electric vehicle charging station charging forecasting based on multi-feature extraction and multi-level transfer learning[J]．Power System Protection and Control，2025，53(6)：150-162．
[21]	李宏胜，李鵾，汪洋，等．基于SVC的电动汽车集群并网鲁棒优化调度模型[J]．高电压技术，2024，50(1)：386-393．
	LI H S， LI K， WANG Y，et al ．Robust optimal scheduling model of grid-connected electric vehicle clusters based on SVC[J]．High Voltage Engineering，2024，50(1)：386-393．
[22]	石天琛，杨烨，刘明光，等．基于有限信息的电动汽车用户充电行为特征识别[J]．电力建设，2024，45(10)：69-77．
	SHI T C， YANG Y， LIU M G，et al ．Identification of charging behavior characteristics of electric vehicle users based on limited information[J]．Electric Power Construction，2024，45(10)：69-77．
[23]	CUI D， WANG Z， LIU P，et al ．Stacking regression technology with event profile for electric vehicle fast charging behavior prediction[J]．Applied Energy，2023，336：120798． doi:10.1016/j.apenergy.2023.120798
[24]	李浩，陈钰，俞璐，等．实际数据驱动的纯电动汽车途中充电潜在偏好行为分析[J]．同济大学学报(自然科学版)，2022，50(1)：104-113． doi:10.11908/j.issn.0253-374x.21132
	LI H， CHEN Y， YU L，et al ．Empirical data driven approach for modeling the latent en-route charging preference behavior of battery electric vehicle users[J]．Journal of Tongji University (Natural Science)，2022，50(1)：104-113． doi:10.11908/j.issn.0253-374x.21132
[25]	苏粟，李玉璟，贾泽瑞，等．基于GPS轨迹挖掘的电动出租车充电站规划[J]．电力自动化设备，2022，42(10)：255-263．
	SU S， LI Y J， JIA Z R，et al ．Electric taxi charging station planning based on GPS trajectory mining[J]．Electric Power Automation Equipment，2022，42(10)：255-263．
[26]	ULLAH I， LIU K， YAMAMOTO T，et al ．Modeling of machine learning with SHAP approach for electric vehicle charging station choice behavior prediction[J]．Travel Behaviour and Society，2023，31：78-92． doi:10.1016/j.tbs.2022.11.006
[27]	黄学劲，钟锦星，路京雨，等．基于用户画像的电动汽车充电负荷预测方法[J]．吉林大学学报(工学版)，2023，53(8)：2193-2200．
	HUANG X J， ZHONG J X， LU J Y，et al ．Electric vehicle charging load forecasting method based on user portrait[J]．Journal of Jilin University (Engineering and Technology Edition)，2023，53(8)：2193-2200．
[28]	李恒杰，夏宇轩，余苏敏，等．基于用户侧主动充电引导的城市电动汽车充电站扩容规划研究[J]．中国电机工程学，2023，43(14)：5342-5358． doi:10.13334/j.0258-8013.pcsee.220233
	LI H J， XIA Y X， YU S M，et al ．Research on capacity expansion and planning for urban electric vehicle charging station based on user-side active charging guidance[J]．Proceedings of the CSEE，2023，43(14)：5342-5358． doi:10.13334/j.0258-8013.pcsee.220233

考虑用户决策偏好的电动汽车充电引导策略

Electric Vehicle Charging Guidance Strategy Considering User Decision Preferences

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

图/表 19

参考文献 28

相关文章 15

编辑推荐

Metrics

[1]	何耀耀, 王雅生. 燃气掺氢和储液式碳捕集系统耦合电转气的虚拟电厂低碳经济调度[J]. 发电技术, 2026, 47(2): 370-382.
[2]	吴丽珍, 张永朋, 魏建平, 陈伟. 抵抗虚假数据注入攻击的综合能源系统弹性提升策略[J]. 发电技术, 2026, 47(2): 345-358.
[3]	宋立业, 孟凡宇, 陈郁林, 宋信萍. 基于频域增强Transformer的多用户短期负荷预测方法[J]. 发电技术, 2026, 47(2): 336-344.
[4]	甄箫斐, 张沥, 张永恒. 超临界CO₂再压缩循环吸热温差的热力学分析[J]. 发电技术, 2026, 47(2): 266-273.
[5]	朱法华, 徐静馨, 沈凡卉, 张西, 李辉, 田文鑫, 赵秀勇, 柏源. 中国火电低碳发展现状及展望[J]. 发电技术, 2026, 47(2): 237-247.
[6]	王秀云, 章婉钰. 考虑电转气-碳捕集电厂联动的综合能源系统㶲经济分析[J]. 发电技术, 2026, 47(1): 14-25.
[7]	陈禄, 王波, 王登亮, 陈伟雄, 刘继平. 燃煤发电机组瞬态变负荷过程性能优化研究[J]. 发电技术, 2026, 47(1): 157-167.
[8]	吴宇轩, 欧阳森, 杨向宇, 陈汉栋, 黎人玮, 廖键. 基于改进支持向量机的有源配电网单相断线故障检测方法[J]. 发电技术, 2026, 47(1): 185-194.
[9]	刘素梅, 徐文成, 孙曦冉, 余非, 胡春鹤. 交直流微电网互联变换器功率协调自抗扰控制策略[J]. 发电技术, 2026, 47(1): 195-203.
[10]	熊永康, 杜昀, 曾振锋, 舒展, 辛建波, 宋冠宏. 台风灾害下分布式资源协同配置的配电网弹性提升策略[J]. 发电技术, 2026, 47(1): 204-213.
[11]	刘可文, 侯朗博, 孙昊, 陈衡. 含高密度光伏与储能的配电网多目标优化调度策略[J]. 发电技术, 2026, 47(1): 214-224.
[12]	严新荣, 董联鑫, 赵大周, 郑成航. 多能互补新能源大基地的三阶段多模式优化运行研究[J]. 发电技术, 2026, 47(1): 26-37.
[13]	张萍, 邸宏亮, 胡龙, 薛延刚, 刘海涛. 基于分层自适应控制的混合储能参与二次调频控制策略[J]. 发电技术, 2026, 47(1): 99-110.
[14]	罗斌, 白小龙, 臧天磊, 黄燕, 张琳, 李萌, 张雪霞, 蒋永龙. 风光水互补发电系统研究综述[J]. 发电技术, 2025, 46(6): 1097-1111.
[15]	陈锋, 路小敏, 沈冰, 王军鹏. 基于消纳-保供博弈的分布式储能双层规划模型[J]. 发电技术, 2025, 46(6): 1133-1143.