Game-Theoretic Dynamic Pricing for EV Charging Stations Using Graph-Based Multiagent Reinforcement Learning

Xiaofei Fan

doi:10.1109/TTE.2026.3657120

Game-Theoretic Dynamic Pricing for EV Charging Stations Using Graph-Based Multiagent Reinforcement Learning

2026-01-22

0

PRE

AI

DOI：10.1109/TTE.2026.3657120

原文链接

原文求助

摘要

En 中文

随着电动汽车（EVs）的兴起，交通电气化对于可持续移动和低碳发展变得至关重要。本研究提出了一种针对电动汽车充电站（CSs）的两阶段优化框架，结合了用户均衡（UE）建模与多智能体强化学习（MARL）。首先，基于真实道路网络和兴趣点构建了一个行为感知的需求分配模型，捕捉用户在空间异质定价下的自适应路径规划和充电响应。在此基础上，采用了一种图增强的MARL方法，以实现分散式和竞争性定价决策。通过利用局部图结构，每个充电站智能体感知邻近的定价和需求条件，并据此调整策略。实验结果表明，所提出的方法可增加17.5%的收入，并有效缓解拥堵和空间不平衡，展示了其在交通与电力配电系统协同优化方面的潜力。

Keyword:

Charging guidance

electric vehicle (EV)

graph information

multiagent reinforcement learning (MARL)

Game-Theoretic Dynamic Pricing for EV Charging Stations Using Graph-Based Multiagent Reinforcement Learning

摘要

期刊

机构

引用论文