电子商务背景下基于心理因素的共享储能多基站协同运营优化

doi:10.12677/ecl.2025.14124244

期刊菜单

电子商务背景下基于心理因素的共享储能多基站协同运营优化
Optimized Multi-Station Coordinated Operation of Shared Energy Storage Based on Psychological Factors in an E-Commerce Context

DOI: 10.12677/ecl.2025.14124244, PDF, HTML, XML,
作者: 任烨, 李军祥^*, 陈佳乐：上海理工大学管理学院，上海；张阳：蚌埠市蚌山教育集团黄山学校，安徽蚌埠
关键词: 电子商务；共享储能；心理因素；电动汽车；电价调控；负荷平抑；E-Commerce； Shared Energy Storage； Psychological Factor； Electric Vehicles； Electricity Price Regulation； Load Stabilization

摘要: 共享储能模式可有效降低运营成本和投资成本。本文基于电子商务背景，考虑用户的充放电心理因素，分析用户参与共享储能充放电的参与度，构建一个考虑用户心理因素的共享储能系统多基站协同优化模型。通过分析调整价格激励、不便成本及电动汽车(EV)荷电状态(SOC)对用户参与行为的影响，引入S形函数(Sigmoid函数)描述用户参与概率，并对充放电的用户参与度加以区分。在此基础上，建立了供应商(基站)的收益与成本模型，并设计了一个以最大化总利润和最小化电网负荷波动为目标的多基站电价调控策略。该策略能够根据各区域电动汽车数量、SOC分布和实时电网负荷，动态调整基站的充放电价格和激励，从而实现供需平衡与电网的削峰填谷。

Abstract: The shared energy storage model can effectively reduce both operating and investment costs. Based on the context of e-commerce, this paper considers the psychological factors of users during charging and discharging, analyzes user participation in shared energy storage activities, and constructs a multi-station collaborative optimization model for shared energy storage systems that takes user psychological factors into account. By analyzing the impact of price incentives, inconvenience costs, and electric vehicle (EV) state of charge (SOC) on user participation behavior, a sigmoid function is introduced to describe the probability of user participation, with differentiation made between users involved in charging and discharging. On this basis, a supplier (station) revenue and cost model is established, and a multi-station electricity price regulation strategy is designed to maximize total profits while minimizing grid load fluctuations. This strategy can dynamically adjust the charging and discharging prices and incentives of stations according to the number of EVs in each area, SOC distribution, and real-time grid load, thereby achieving supply-demand balance and peak shaving and valley filling for the power grid.

文章引用：任烨, 李军祥, 陈佳乐, 张阳. 电子商务背景下基于心理因素的共享储能多基站协同运营优化[J]. 电子商务评论, 2025, 14(12): 3312-3326. https://doi.org/10.12677/ecl.2025.14124244

1. 引言

全球电商总体规模继续增长，但2025年增速较前两年放缓，主要受中国与北美市场波动影响；长期看渗透率仍呈上行通道，区域差异加大。移动端成为交易主阵地，移动电商在全球电商中的占比持续攀升，2025年预计贡献约六成以上交易额，受智能手机普及与一体化支付推动。电子商务在共享经济中的发展，体现了数字技术与商业模式创新的深度融合。共享经济通过互联网平台整合与优化配置社会闲置资源，改变了传统的消费与所有权观念。在此背景下，电子商务不再局限于传统的商品交易，而是演进为支撑协同消费、资源共享的关键基础设施。

这种融合催生了多样化的商业模式。例如，出现了基于B2C、C2C以及社会化电子商务的协同消费模式，同时也推动了如共享农田、农产品信息共享机制在农村电商领域的实践。这些模式的核心在于，通过大数据、人工智能等数字技术实现供需精准匹配，提升资源利用效率，并借助动态定价、信用体系等平台机制降低交易成本，激励公众参与。电子商务平台正逐渐渗透至能源服务领域，为共享储能系统的规模化运营提供了新的基础设施支撑。一方面，电商平台具备成熟的用户管理体系、支付系统与数据处理能力，可作为用户与共享储能运营商之间的信息中介。平台能够实时展示储能容量、价格、可用时段、地理分布等信息，使用户以较低成本获取并比较不同储能服务，从而显著降低交易的搜索成本与沟通成本。另一方面，电商平台天然具有交易撮合功能，可为共享储能提供标准化的服务合同模板、计费机制与信用评价体系，使储能容量的租赁、转租与结算流程更加高效透明。此外，基于长期积累的大数据和征信体系，电商平台还可充当信用背书方，为储能运营商与用户之间构建信任机制，提升共享储能资源配置的可靠性与安全性。通过与电商平台深度耦合，共享储能系统不仅可以提升利用率与收益率，也为用户提供更灵活、更智能、更透明的能源服务模式，从而推动分布式能源与数字经济的协同发展。

与此同时，气候变化的加剧已成为人类共同面对的重大议题。长期以来，人类在工业化进程中对煤、石油等化石能源形成了高度依赖，同时伴随大规模森林砍伐，温室气体排放迅速攀升。为应对这一趋势，2020年中国明确提出“2030年前碳达峰、2060年前碳中和”目标，将交通、能源、信息通信等领域列为减碳重点[1]。《2030年前碳达峰行动方案》进一步提出“推动新型储能技术规模化应用”“加快构建清洁低碳、安全高效的能源体系”，为电动汽车(EV)与储能协同发展提供了明确导向。

随着社会的发展，能源消费形态快速转型，清洁能源汽车正逐步替代传统燃油车成为出行主力，到2024年年底，我国新能源汽车现有保有量约2472万辆，充电需求井喷式发展叠加部分充电乱象开始显现，引发电网高峰低谷差距拉大，用电尖峰阶段主要依靠火电进行功率补充。国家发展改革委联合国家能源局在2021年指导意见中部署“储能需与新能源发电、电力系统保持协调优化运行”的发展路径，同时促进电动车及5G基础设施等用户侧储能系统配合电网调度，促进源网荷储协同整合，相关政策为后续实践铺平了道路。以风电光伏为引领的新能源装机呈现快速增长势头，其不可控的发电波动直接抬升了电力系统安全稳定阈值，负荷侧因大量电动汽车充电需求而面临更复杂的随机变化特征，导致系统调节灵活性下降，基于这一现实，如何借助储能手段有效调配资源以平衡电力供需、缓解压力，成为电力供需领域急需攻克的主要瓶颈，逐步形成学界研究焦点。共享储能采用集中化建设管理模式，实现多区域资源科学配置与效率最大化，作为促进新能源消纳的有效抓手获得认同，现有工作大多围绕技术实现与经济回报展开探讨，较少探讨用户主动参与的意愿及行为差异，用户对新能源车的心理预期及其决策偏好与其参与程度密切相关，较低的用户参与积极性是限制共享储能规模化发展的主要瓶颈。共享式储能站点面临容量与布局的双重限制，无法有效平抑多区域的电力起伏，多储能基站联合供电的共享模式就此诞生：采用跨基站配合，支持不同区域间电力及储能的实时调配，提升系统动态调节与抗扰能力，调节电力峰谷差，节省电力调配总开销，进而促进新能源的就地消纳。

对于电子商务应用方面，文献[2]提出平台管理者需要重视区块链技术的升级与优化，利用其技术优势改善交易服务，通过完整的信息和数据优化管理与用户服务，改善用户消费体验。文献[3]全面分析了电子商务平台在种业市场拓展中的作用，探讨了不同电商模式如B2B、B2C和C2C在种业中的应用，并评估了这些平台如何帮助种业企业拓宽销售渠道、提升市场覆盖率及优化供需关系。文献[4]从用户需求与行为分析、数据驱动的营销策略及个性化推荐算法三个方面，详细阐述了基于电子商务平台精准营销策略的理论基础。文献[5]对电子商务平台对中小企业经济成长的促进作用进行分析和研究，提出了针对性策略。

在“双碳”目标背景下，构建高效灵活的新型电力系统已成为能源领域的核心课题。共享储能系统作为促进新能源消纳、缓解电网负荷、提升资源利用效率的重要手段，近年来受到了学术界和产业界的广泛关注。文献[6]采用非支配排序遗传算法(NSGA-II)，针对高渗透率光伏系统的配电网络，优化了多功能公用事业级共享储能系统的选址和容量配置，提高了电压调节和损耗最小化效果。文献[7]通过对浙江省电化学储能项目的实证分析，评估了新型储能的收益模式和经济可行性，指出在当前政策激励下，共享储能具有良好的投资回报前景。

Mendoza-Cortes [8]利用高通量筛选方法，开发了面向人工光合作用的地球丰富半导体材料，为清洁能源储能材料的发现提供了新的途径。文献[9]提出了一种数据驱动的分散控制方案，利用多智能体强化学习，实现了住宅光伏用户共享储能系统的优化调度，提高了分布式能源的利用效率。文献[10]研究了共享经济模式下的储能系统商业模式，发现相比于单一用途的储能系统，共享模式能够显著提高电池储能系统的盈利能力。文献[11]提出了基于多智能体随机博弈和强化学习的多微电网系统协同优化方法，利用共享储能实现了多微电网间的能量协调与优化，提高了系统的整体效益。在新能源参与共享储能的研究领域，学者们围绕投资决策、经济运行、商业模式、能量交易、优化调度、隐私保护等方面展开了广泛探讨。陈曦等人基于新能源发电不确定性，针对含共享储能系统的微电网群提出了一种优化调度策略，增加微电网集群的盈利能力，同时减轻微电网集群网内功率波动的影响[12]。张世旭等人面向微电网群提出了一种云储能经济–低碳–可靠多目标优化配置方法，通过优化配置云储能系统，实现了微电网群的经济性、低碳性和可靠性的均衡提升[13]。尚怡铭等人从主从博弈的角度出发，制定了多微网氢储能容量规划方案，采用主从博弈定价机制可以激励微电网群运营商投建氢储能，并缩短氢储能的投资回收年限[14]。李咸善等人探讨了共享储能的最佳配置方式以及成本分摊的方法。在第一阶段，提出了一个多目标优化模型，通过非支配排序遗传算法求解出最优的储能配置方案；在第二阶段，提出了基于线路功率损耗的改进Shapley值法，用于公平分摊共享储能配置所产生的节省成本[15]。林墨涵等人在引入共享储能电站和清洁能源的同时，设计了多智能体混合博弈模型，帮助微网运营商制定能源价格策略，实现微网运营商和产消者的双赢[16]。文献[17]提出了一种基于需求管理的绿证实时定价机制，通过构建社会福利最大化模型并运用IGDT处理不确定性，仿真验证该机制能有效平衡绿证市场供需、提升可再生能源利用率并保障系统低碳经济稳定运行。文献[18]引入了综合灵活运行碳捕集电厂，并深入分析了其综合灵活运行方式的特性，同时考虑需求响应，在此基础上建立考虑供需双侧响应与综合灵活运行碳捕集的虚拟电厂低碳经济调度模型。

在用户心理因素对参与度的研究中，研究重点主要集中在用户动机、认知信念以及外部激励机制如何共同作用于行为决策之上。近年来，随着互联网平台与数字能源系统的融合发展，用户参与度的激励机制和心理建模逐渐成为行为科学与系统优化交叉研究的重要方向。翟姗姗、陈欢与王左戎[19]基于计划行为理论，探讨了家庭社会经济地位(SES)差异对中学生人工智能学习平台持续使用意愿的影响。研究指出，主观规范与感知行为控制直接影响参与意愿，且SES对自我效能与行为控制之间的关系具有显著调节作用。文献[20]从“一带一路”专题数据库出发，提出用户参与对平台资源可持续性至关重要，并设计出以荣誉激励和情感激励为主、利益激励为辅的用户参与激励机制。李娟娟、郭顺利[21]应用扎根理论，深入分析了社会化问答社区中用户知识采纳行为的动因，发现用户认知结构(如自我、平台、社会认知)通过认知有用性和易用性等变量影响行为意图。梁太鑫、刘世峰[22]借助UTAUT模型，分析了旅游信息平台使用意愿的影响路径，指出信任程度、社会影响和便利条件等均正向影响用户决策，而感知风险则起负向作用。成全、刘彬彬[23]从双路径模型出发，研究用户跨平台学术信息搜索行为，提出信息质量与信源可信度通过感知有用性显著影响行为表现，注意力控制和信息自我效能则发挥重要调节效应。李娟[24]在社交媒体场景下分析了“反学术不端”相关话题中的用户情绪倾向，发现大部分用户持支持与正向态度，表明情感认同对参与度具有引导作用。杨东红、贺红梅与徐畅[25]关注移动音频平台中的知识付费行为，发现音频产品特征与传播者信息影响了用户的购买动机。陈志刚、方卉[26]则从综述角度出发，提出应结合情境感知理论与社会行为理论，构建适应用户动态心理状态的移动商务服务体系。

Fodor与Barna [27]通过对一个游戏化团队建设平台的大规模行为数据进行分析，发现用户的参与行为受系统使用频率、任务互动以及社交倾向等显著影响。研究进一步指出，良好的用户反馈机制和成就感是促使用户持续参与的关键心理驱动因素。Ryan与Deci [28]从神经科学与心理学交叉视角，系统回顾了内在动机与学习表现、创造力及心理健康的关系。研究明确指出，内在动机的满足(如自主感、胜任感和关联感)是推动个体深度参与任何认知性任务的本质心理需求。Naslund等[29]聚焦数字心理健康平台的用户使用行为，发现内容质量、界面友好性、用户导向的功能设计以及同伴支持对平台的参与度有显著提升作用，强调了“技术–心理–社交”三位一体的影响机制。文献[30]则以短视频旅游平台为研究对象，探讨了使用情境对用户参与行为的影响。研究结果表明，丰富的媒介场景和适时的心理满足能够显著增强用户的互动意愿，进而提高平台的活跃度与忠诚度。

依托现有研究基础，本文立足于电商平台所提供的可信环境，实现共享储能的市场化运营。从消费者心理角度切入分析，探究新能源车主在共享储能基站协同供电模式下的参与方式与行为规律，解析心理变量对参与决策的作用路径，并量化分析用户参与水平与多基站协同效益的匹配关系，研究期望为新能源消纳水平提升及电网安全高效运行，提供可检验的理论依据与可实施的实践对策。

2. 系统模型部分

用户的心理因素对其参与共享储能的意愿产生显著影响。本节通过引入心理感知和决策概率，构建用户在充电和放电场景下的参与行为模型。

2.1. 心理感知与决策概率

用户在基站处，会根据当前激励强度、自身EV荷电状态(SOC)及潜在不便成本，综合判断并决定是否参与充电或放电。我们假设用户决策基于对净收益的感知，并通过S形函数(Sigmoid函数)将感知映射为参与概率，以捕捉用户行为的非线性特征。

充电净收益感知 $U^{c} (t)$ ：用户在时刻t参与充电所感知的净收益，用户心理净收益感知与充电价格收益减非价格成本和充电负荷成本有关，非价格成本与充电负荷成本越高则用户心理净收益感知越低，其表达式为：

$U^{c} (t) = (p_{g}^{b u y} (t) - p_{s}^{c h} (t)) - c_{c}^{p} (t) - σ^{c} (SOC (t))$ (1)

其中： $p_{g}^{b u y} (t)$ 为电网在时刻t的基准购电价格(元/kWh)。 $p_{s}^{c h} (t)$ 为基站s在时刻t对EV的充电价格(元/kWh)。 $p_{g}^{b u y} (t) - p_{s}^{c h} (t)$ 表示用户因低价充电获得的直接经济节省。 $c_{c}^{p} (t)$ 为时刻t的充电不便成本，如等待时间、服务费等。 $σ^{c} (SOC (t))$ 为时刻t与EV荷电状态相关的心理成本。当SOC较低时，用户充电意愿强， $σ^{c}$ 值较小；当SOC较高时，充电的心理成本(如担心电池过充)增加。

同理，充电净收益感知 $U^{d} (t)$ 为用户在时刻t参与放电所感知的净收益，其表达式可写为：

$U^{d} (t) = w_{s}^{d} (t) - c_{d}^{p} (t) - σ^{d} (SOC (t))$ (2)

其中： $w_{s}^{d} (t)$ 为基站s在时刻t支付给EV的放电激励(元/kWh)。 $c_{d}^{p} (t)$ 为时刻t的放电不便成本，如占用时间、电池损耗风险感知等。 $σ^{d} (SOC (t))$ 为时刻t与EV荷电状态相关的心理成本。当SOC较高时，用户放电意愿强， $σ^{d}$ 值较小；当SOC较低时，用户对电量不足的焦虑增加， $σ^{d}$ 值显著增大。

基于上述净收益感知，用户在时刻t参与充电 $p^{c} (t)$ 或放电 $p^{d} (t)$ 的概率通过Sig-moid函数表示：

$p^{c} (t) = \frac{1}{1 + e^{- k_{c} (U^{c} (t) - θ_{c})}}$ (3)

$p^{d} (t) = \frac{1}{1 + e^{- k_{d} (U^{d} (t) - θ_{d})}}$ (4)

其中： $k_{c}$ ， $k_{d}$ 分别为充电和放电的敏感系数，表示用户对净收益感知的响应速度。 $θ_{c}, θ_{d}$ 分别为充电和放电的心理门槛，当感知净收益超过此门槛时，用户参与概率显著增加。

2.2. 用户参与度定义

我们定义在时刻t基站s的充电参与度 $I_{s}^{c} (t)$ 和放电参与度 $I_{s}^{d} (t)$ 为在该基站服务区域内，愿意参与对应行为EV用户比例：

$I_{s}^{c} (t) = p^{c} (t)$ (5)

$I_{s}^{d} (t) = p^{d} (t)$ (6)

这两个参与度反映了在当前市场激励和EV群体状态下，基站可以调度的灵活容量。因此，基站s在时刻t的实际从EV获得的充放电能量为参与度乘共享储能电池的最大容量：

$E_{s}^{e v d} (t) = I_{s}^{c} (t) E_{s}^{c, \max} (t)$ (7)

$E_{s}^{e v c h} (t) = I_{s}^{d} (t) E_{s}^{d, \max} (t)$ (8)

其中， $E_{s}^{c, \max} (t)$ 为基站s在时刻t潜在EV群体最大可提供的充电容量上限(kWh)，取决于EV数量及SOC分布。 $E_{s}^{d, \max} (t)$ 为基站s在时刻t潜在EV群体最大可提供的放电容量上限(kWh)，取决于EV数量及SOC分布。

2.3. 供应商收益模型

假设有三个共享储能基站s (A, B, C)参与削峰填谷。A基站模拟为商业区，B基站模拟住宅区，C基站模拟工业区，其结构图如图所示。每个基站s的收益主要由三部分构成：向EV提供充电服务收益、向电网售电收益以及政府补贴，基站运行模式结构图如图1所示。

Figure 1. Base station diagram

图1. 基站结构图

$R_{s} (t) = R_{s}^{c h} (t) + R_{s}^{s e l l} (t) + R_{s}^{s u b} (t)$ (9)

$R_{s}^{s e l l} (t) = p_{s}^{s e l l} (t) E_{s}^{g r i d, d} (t)$ (10)

$R_{s}^{c h} (t) = p_{s}^{c h} (t) E_{s}^{e v, c h} (t)$ (11)

$R_{s}^{s u b} (t) = γ (E_{s}^{c h} (t) + E_{s}^{e v, d} (t))$ (12)

其中： $R_{s}^{c h} (t)$ 为向EV提供充电服务收益。 $p_{s}^{c h} (t)$ 为基站s在时刻t对EV的充电价格(元/kWh)。 $E_{s}^{e v, c h} (t)$ 与 $E_{s}^{e v, d} (t)$ 为基站s实际为EV充放电的电量(kWh)，受参与度和调度影响。 $R_{s}^{s e l l} (t)$ 为向电网售电收益。 $p_{s}^{s e l l} (t)$ 为基站s在时刻t向电网售电价格(元/kWh)。 $E_{s}^{g r i d, d} (t)$ 为基站s实际向电网售电量(kWh)，取决于基站储能状态和调度。 $R_{s}^{s u b} (t)$ 为政府对共享储能的单位电量补贴(元/kWh)。 $γ$ 为政府给予的单位电量补贴系数(元/kWh)。

2.4. 供应商成本模型

基站s的成本主要由购电成本、维护成本和运营成本及电池退化成本构成：

$C_{s} (t) = C_{s}^{b u y} (t) + C_{s}^{m a i n t} (t) + C_{s}^{o p} (t) + C_{s}^{d e g} (t)$ (13)

电池退化成本公式是在用“吞吐量线性退化”思路，把电池在时段t经历的直流侧充放电量折算出来，再乘以单位吞吐退化成本，得到该时段的退化成本。

$C_{s}^{d e g} (t) = c_{s}^{d e g} (t) \frac{E_{s}^{g r i d, d} (t) + E_{s}^{e v, c h} (t)}{η_{d}} + η_{c} (E_{s}^{g r i d, c h} (t) + E_{s}^{e v, d} (t))$ (14)

为刻画站点在时段t的购电支出，本文将电能获取途径分解为两类：一是从电网购入的电量 $E_{s}^{g r i d, c h} (t)$ ，其单位价格为电网边际购电价 $p_{g}^{b u y} (t)$ ；二是向参与V2G的车主回购的电量 $E_{s}^{e v, d} (t)$ ，4其单位补偿为放电激励 $w_{s}^{d} (t)$ 。因此，当期总购电成本可表示为：

$C_{s}^{b u y} (t) = p_{g}^{b u y} (t) E_{s}^{g r i d, c h} (t) + w_{s}^{d} (t) E_{s}^{e v, d} (t)$ (15)

购电成本由两个部分组成，第一部分为每时刻从电网购电的电量与价格的乘积，第二部分EV用户的放电电量与基站基于用户的放电激励的乘积：

$C_{s}^{b u y} (t) = p_{g}^{b u y} (t) E_{s}^{g r i d, c h} (t) + w_{s}^{d} (t) E_{s}^{d} (t)$ (16)

其中： $C_{s}^{b u y} (t)$ 为购电成本。 $p_{g}^{b u y} (t)$ 为基站s在时刻t向电网购电价格(元/kWh)。 $E_{s}^{g r i d, c h} (t)$ 为基站s在时刻t对电网的补充的电量(kWh)。 $w_{s}^{d} (t)$ 为基站s在时刻t支付给EV的放电激励(元/kWh)。 $E_{s}^{e v, d} (t)$ 为基站s实际给EV的放电电量(kWh)。 $C_{s}^{m a i n t} (t)$ 为基站s在时刻t的维护成本，通常与基站储能容量、使用时长相关。 $C_{s}^{o p} (t)$ 为基站s在时刻t的运营成本，如人工、场地租金等。

2.5. 系统总利润模型

基站s在时刻t的利润 $I I_{s} (t)$ 为其总收益减去总成本。

$I I_{s} (t) = R_{s} (t) - C_{s} (t)$ (17)

电子商务平台收益为系统总收益的两成，则其收益为：

$I I_{p f} = 20 % I I_{s} (t)$ (18)

2.6. 多基站电价调控与电网互动优化

在多基站场景下，系统目标在于通过动态调整各基站的充电价格 $p_{s}^{c h} (t)$ 和放电激励 $w_{s}^{d} (t)$ ，以实现整体利润最大化和电网负荷曲线的平抑。本模型的决策变量为所有基站s在所有时刻t的充电价格 $P_{s}^{c h} (t)$ 和放电激励 $w_{s}^{d} (t)$ 。

本系统旨在最大化所有基站在整个调度周期T内的总利润，并同时最小化优化后电网负荷的波动(通过方差衡量)。这可以构建为多目标优化问题，或通过加权和转化为单目标问题：

$\max (\sum_{t = 1}^{T} \sum_{s = 1}^{S} I I_{s} (t) - ω V A R (L^{a c t} (t)))$ (19)

其中： $\sum_{t = 1}^{T} \sum_{s = 1}^{S} I I_{s} (t)$ 为所有基站在调度周期内的总利润。 $L^{a c t} (t)$ 为时刻t的实际电网负荷，由基准负荷 $L^{b a s e} (t)$ 和所有基站对电网的净功率影响 $\sum_{s = 1}^{S} Δ P_{s} (t)$ 共同决定：

$L^{a c t} (t) = L^{b a s e} (t) + \sum_{s = 1}^{S} Δ P_{s} (t)$ (20)

$Δ P_{s} (t)$ 为基站s在时刻t对电网的净功率影响(正值表示从电网取电，负值表示向电网供电)。实际电网负荷表示为：

$L^{a c t} (t) = L^{b a s e} (t) + \sum_{s = 1}^{S} Δ P_{s} (t)$ (21)

站点净功率影响(仅与电网交换)：

$Δ P_{s} (t) = p_{s}^{g r i d, c h} (t) - p_{s}^{g r i d, d i s} (t)$ (22)

$V A R (L^{a c t} (t))$ 为优化后电网负荷曲线的方差，反映其波动性。 $ω$ 为负荷方差的权重系数，用于平衡利润最大化与负荷平抑两个目标。

2.7. 约束条件

基站储能系统(BESS)状态动态：BESS的荷电状态随时间动态变化，并受限于其物理容量。

${SOC}_{s} (t + 1) = {SOC}_{s} (t) + \frac{η_{c}}{C_{s}^{B E S S}} (E_{s}^{g r i d, c h} (t) + E_{s}^{d} (t)) - \frac{1}{η_{d} C_{s}^{B E S S}} (E_{s}^{g r i d, d} (t) + E_{s}^{c h} (t)) - E_{s}^{l o s s} (t)$ (23)

其中： ${SOC}_{s} (t)$ 为基站s储能系统在时刻t的荷电状态。 $C_{s}^{B E S S}$ 为基站s储能系统的总容量(kWh)。 $η_{c}$ ， $η_{d}$ 分别为充放电效率。 $E_{s}^{l o s s} (t)$ 为储能系统自损耗。储能系统SOC需满足上下限约束： ${SOC}_{s}^{\min} \leq {SOC}_{s} (t) \leq {SOC}_{s}^{\max}$ 。电价范围约束：充电价格和放电激励需在合理的市场范围内。

$p^{c h, \min} \leq p_{s}^{c h} (t) \leq p^{c h, \max}$ (24)

$ω^{d, \min} \leq ω_{s}^{d} (t) \leq ω^{d, \max}$ (25)

固定电价时段约束：为实现后期电价固定，可在特定时段内强制基站的充放电价格保持一致。例如，在高峰时段T_H内，所有基站的充电价格 $p_{s}^{c h} (t)$ 均相等，放电激励 $ω_{s}^{d} (t)$ 亦然。

对 $\forall s \in {1, \dots, S}$ ， $\forall t_{1}, t_{2} \in T_{H}$ ： $p_{s}^{c h} (t_{1}) = p_{s}^{c h} (t_{2})$ 对 $\forall s \in {1, \dots, S}$ ， $\forall t_{1}, t_{2} \in T_{H}$ ： $ω_{s}^{d} (t_{1}) = ω_{s}^{d} (t_{2})$ 。

区域EV数量与SOC分布影响： $E_{s}^{c, \max} (t)$ 和 $E_{s}^{c, \max} (t)$ 的确定需考虑各基站服务区域内EV的实时数量和SOC分布。这部分可作为模型的输入参数，通过历史数据和预测模型模拟获得。避免同一时刻共享储能基站对电网又充又放，可以写成

$0 \leq p_{s}^{g r i d, c h} (t) \leq u_{s}^{c h} (t) p_{s, \max}^{c h}$ (26)

$0 \leq p_{s}^{g r i d, d i s} (t) \leq u_{s}^{d i s} (t) p_{s, \max}^{d i s}$ (27)

$u_{s}^{c h} (t) + u_{s}^{d i s} (t) \leq 1$ (28)

$u_{s}^{c h} (t) * u_{s}^{d i s} (t) \in {0, 1}$ (29)

其中： $p_{s}^{g r i d, c h} (t)$ 站点s在时刻从电网取电的功率(正向购电)，单位kW。 $p_{s}^{g r i d, d i s} (t)$ 站点s在时刻t向电网送电的功率(上网)，单位kW。 $p_{s, \max}^{c h}$ 站点s的最大充电功率上限，单位kW。 $p_{s, \max}^{d i s}$ 站点的最大放电功率上限，单位kW。 $u_{s}^{c h} (t)$ 充电开关二元变量：1表示允许充电，0表示禁止充电(无量纲)。 $u_{s}^{d i s} (t)$ 放电开关二元变量：1表示允许放电，0表示禁止放电(无量纲)。 $Δ P_{s} (t)$ 对电网的净功率影响： $Δ P_{s} (t) = p_{s}^{g r i d, c h} (t) - p_{s}^{g r i d, d i s} (t)$ ，单位kW。 $L^{b a s e} (t)$ 时刻t的基准电网负荷(不含站点交互)，单位kW。 $L^{a c t} (t)$ 时刻t的实际电网负荷，单位kW。

通过优化求解该模型，可以得到在不同时刻、不同基站的最优电价策略，从而有效调动用户参与共享储能的积极性，平衡电网负荷，并最大化共享储能基站系统与电子商务平台的经济效益。

求解流程图基于上述分析，本文现阶段的研究内容为，通过分析新能源电车车主的用户净收益感知，经Sig-moid映射得到充、放电参与概率，并将其作为参与度，用于刻画当期可调度能力。在给定SOC的上限后，参与度可刻画出实际充放电能力，用于后续能量与功率的平衡计算。对于每个基站，根据能量守恒更新其SOC，并且统计与电网互动所产生的功率，进而得到实际负荷为避免同一时段“又充又放”，施加二元开关与功率上限。按收益–成本模型累积每时段利润 $I I_{s} (t)$ (含对EV售电、向电网售电、补贴、以及购电、对EV激励、运维与退化成本等)，与电网的负荷方差为目标函数。以上步骤得到的目标值作为粒子适应度，按惯性权重–个体最优–全局最优机制更新粒子速度与位置，并进行边界投影与可行性罚处理(如SOC越界、功率越限、定价范围与时段同价约束等)；达到最大迭代或全局最优停滞阈值即停止，输出最优解，其求解流程如图2所示。

Figure 2. Solution flowchart

图2. 求解流程图

3. 仿真验证

本文方法以“行为响应–系统运行”耦合的长期仿真为主线：本文仿真部分模拟用电负荷及电价[31]，在符合生活规律的前提下，构建多基站共享储能模型，将充电价格与放电激励作为决策变量。用户侧引入基于心理效用的参与度函数s，将价格激励与用户参与度、SOC分布等因素映射为当期可调度充放电量；系统侧在功率上限、站内能量守恒与SOC上下界约束下，逐时更新储能状态并仅以电网交互功率刻画实际负荷 $L^{a c t} (t)$ 。购售电现金流、补贴与电池退化等被统一纳入收益–成本核算，形成能量–现金流的闭环。为刻画出行需求、可用功率与到站时隙的不确定性，得到具有波动性的收益与能量序列。随后以内生利润与负荷平抑(Var(L^act))的加权目标为评价函数，使用粒子群算法在分段定价、激励空间中搜索最优解，并通过可行性罚项保证物理与运营约束。最终输出净收益、购售电量、削峰指标及稳健性比较，为不同电价机制与策略评估提供量化依据。全流程基于MATLAB实现，模块化设计便于复用与扩展。

3.1. 参数设置

本文将通过用户心理净收益感知将用户参与度进行刻画，并设置三座基站，基站A模拟建设于商业区，白天(8点后)的新能源电车数量增加，夜间电车数量减少。基站B模拟建设于住宅区，夜间新能源电车数量较多，白天较少。基站C模拟工业区，白天工作时间新能源电车数量较多，晚上电车数量较少。三座基站互相连接，当某一基站电量出现不足时，可先调度其余基站电量进行使用，若无可调度电量，则从电网购买电量，相关环节参数设置如表1。

Table 1. Shared energy storage system parameter table

表1. 共享储能系统参数表

参数	数值	参数	数值
电池容量(MWh)	2	电池退化成本(元/kWh)	0.25
最大充电功率(kW)	500	充电不便成本(元/kWh)	0.03
最大放电功率(kW)	500	放电不便成本(元/kWh)	0.05
维护成本(元/h)	2	充放电效率(%)	95
运行成本(元/h)	1	仿真时间步长(h)	1

3.2. 仿真结果分析

如图3所示，三站“蓝线为实际充电量、红线为实际放电量”。总体呈现“放电为主、充电为辅”的运行形态：基站A (商业区)在白天形成持续高位放电平台(约7~18时)，19时后迅速回落，充电则以零散低谷补能为主；基站B (住宅区)自13时起放电逐步爬升，19~21时达到晚高峰，符合居民下班到站后的负荷支撑特征，充电量总体较低；基站C (工业区)在工作时段8~21时维持较为平稳的高位放电，中午略有波动，22时后基本清零，充电同样主要分布在日内低价时段。上述时空分布与各区域到站行为及价差信号一致，体现了模型对商业、住宅、工业异质场景下的削峰能力与调度方向性。

三基站对电网的贡献情况如图4所示，其中正值表示向电网供电，负值表示从电网取电。横轴为时间(小时)，纵轴为净功率(单位为kW)。每个柱形图代表三基站在特定时刻的总贡献，其中蓝色表示基站A，红色表示基站B，绿色表示基站C。基站A (蓝色)在凌晨5时出现较大的负值，表示该基站从电网取电，随后在白天时段逐步转为供电。基站B (红色)主要在清晨与傍晚时段供电，整体供电量低于基站A。基站C (绿色)的供电较为均衡，尤其在中午至傍晚时段提供持续的电力。整体上，三个基站的供电模式呈现出不同的负荷调节特性，为电网提供了不同的支持与调节能力。

Figure 3. Actual usable electricity

图3. 实际可用电量

Figure 4. Net contribution of joint base stations to the power grid

图4. 联合基站对电网的净贡献

如图5所示，展示了电网负荷曲线的对比。黑色虚线代表基准负荷，蓝色实线代表优化后负荷。横轴为时间(小时)，纵轴为负荷(单位：kW)。基准负荷呈现出典型的负荷曲线，峰值出现在18时，负荷较低的时段在凌晨与清晨(约2时至6时)。相比基准负荷，优化后的负荷曲线平滑，峰值从基准的9256 kW下降至优化后的8533 kW，表明在高峰时段负荷得到了有效削减，从而实现了电网负荷平衡的优化目标。

Figure 5. Comparison of power grid load curves

图5. 电网负荷曲线的对比

如图6所示，展示了三个基站(基站A、基站B、基站C)在一天内的SOC (荷电状态)变化。横轴为时间(小时)，纵轴为SOC (范围从0到1)。基站A (蓝色) SOC变化较为平稳，基本维持在0.5左右，但在6时至9时SOC有所下降，并在之后逐渐回升，最终在18时达到峰值；基站B (红色) SOC在早上较低，白天和晚上SOC显著上升，最高接近0.9，表明其在特定时段充电量较大；基站C (黄色) SOC变化较为剧烈，早上至中午SOC上升，晚上放电后SOC迅速下降，直至晚上恢复充电。三基站的SOC变化反映了储能系统在一天内根据负荷需求进行的调度与优化。

Figure 6. Load variation of each base station

图6. 各基站负荷变化

如图7所示，展示了三个基站的利润情况。左图为各基站的时段利润，右图为各基站的总利润。基站A (蓝色)的利润波动较大，在夜间和清晨时段为负，说明此时该基站主要从电网取电；而在白天时段，基站A的利润较高，尤其是在中午至傍晚时段。基站B (红色)的利润波动幅度较小，显示出其较为平稳的负荷调节行为。基站C (黄色)的利润变化较为平稳，表现为较为稳定的负载调节行为。总利润柱状图显示，基站A的总利润最高，达到2546.52元，基站B的总利润为1432.36元，基站C的总利润介于两者之间，略低于基站A，为2004.53。总利润为5983.42元，其中电子商务平台获利1196.684元。

Figure 7. Net profit situation of each base station

图7. 各基站总净利润情况

如图8所示，展示了三个基站的优化后的充电价格和放电激励策略。上图为充电价格策略，横轴为时间(小时)，纵轴为充电价格(单位：元/kWh)；下图为放电激励策略，横轴为时间(小时)，纵轴为放电激励(单位：元/kWh)。基站A (蓝色)的充电价格波动较大，特别是在早晨和晚上，价格较高；基站B (红色)充电价格波动较小，主要在白天较高，晚上较低；基站C (黄色)充电价格较为平稳，整体价格较低。放电激励方面，基站A在白天高峰时段放电激励较大，基站B则表现为中等程度的放电激励，而基站C的放电激励值较低，尤其在夜间和早晨时段。整体而言，三个基站通过充电价格和放电激励策略的优化，实现了对电网负荷的调节和平衡。

Figure 8. Charging and discharging pricing for each base station

图8. 各基站充放电定价

4. 结论与展望

本文通过构建一个基于心理因素的用户参与度模型，结合粒子群优化算法(PSO)，实现了三个基站共享储能系统的优化调度。通过对不同基站在充电定价和放电激励策略上的优化，本文成功地在保证电网负荷平衡的同时，实现了基站盈利的最大化。实验结果表明，基站A在负荷调节过程中发挥了主导作用，其总利润最高，尤其在电网负荷高峰时段表现出强大的调节能力。基站B和基站C则在不同的场景下提供了辅助支持，分别呈现出不同的负荷调节模式和收益特点。然而，尽管本研究取得了一定的成果，仍存在一些局限性和改进空间。首先，模型中未充分考虑外部扰动因素(如电价波动、用户突发状况无法参与充电等)，这些因素在实际应用中可能会对优化结果产生显著影响。其次，虽然粒子群算法在本研究中表现出了良好的收敛性，但随着系统规模的扩大，算法的计算时间和收敛精度仍有待提升。未来的研究可以考虑结合其他优化算法(如遗传算法、模拟退火等)来进一步提高调度效率和优化效果。展望未来，随着智能电网和大规模可再生能源的推广，基于分布式储能系统的优化调度将在电力市场中发挥越来越重要的作用。结合更多实时数据和智能化调度策略，未来的研究可以在提高系统稳定性、经济性以及应对突发负荷波动等方面做出更深入的探讨。此外，随着电动汽车的普及，其在储能系统中的参与度将不断增加，未来的研究将继续关注用户行为模型的优化和储能技术的创新应用。

NOTES

^*通讯作者。

参考文献

[1]	习近平在第七十五届联合国大会一般性辩论上发表重要讲话[EB/OL]. https://www.gov.cn/xinwen/2020-09/22/content_5546168.htm, 2020-09-22.
[2]	耿望. 区块链关键技术在企业电子商务平台中的应用[J]. 商讯, 2025(5): 110-112.
[3]	贾琦. 现代种业中的电子商务平台与市场拓展分析[J]. 分子植物育种, 2024, 22(23): 7985-7992.
[4]	琚恩隆. 基于电子商务平台的精准营销策略研究[J]. 营销界, 2024(18): 54-56.
[5]	巢秋菊. 电子商务平台对中小企业经济成长的促进作用[J]. 老字号品牌营销, 2024(15): 110-112.
[6]	Bhusal, N., Gautam, M., Benidris, M. and Louis, S.J. (2020) Optimal Sizing and Siting of Multi-Purpose Utility-Scale Shared Energy Storage Systems. arXiv Preprint.
[7]	Kuang, J., Xu, Q., Ding, C. and Zhou, Z. (2024) Empirical Analysis on Revenue Models and Economic Feasibility of Novel Energy Storage in Zhejiang Province. Smart Grid, 14, Article 115819. [Google Scholar] [CrossRef]
[8]	Mendoza-Cortes, J.L. (2023) Transforming Materials Discovery for Artificial Photosynthesis: High-Throughput Screening of Earth-Abundant Semiconductors. Journal of Applied Physics, 16, Article 4694.
[9]	Jiang, T., Li, F. and Zhang, X. (2025) Multi-Agent Reinforcement Learning for Decentralized Control of Battery Energy Storage Systems Shared among Residential PV Households. Sustainable Energy, Grids and Networks, 41, Article 100627. [Google Scholar] [CrossRef]
[10]	Zhang, N., Kang, C., Xia, Q. and Luo, X. (2020) Business Models for Energy Storage under a Sharing Economy Framework. Applied Energy, 275, Article 115389.
[11]	Wang, Y., Zhou, K., Yang, S. and Shao, Z. (2020) Multi-Agent Based Energy and Reserve Dispatch of Multi-Microgrids Incorporating Shared Energy Storage System. Applied Energy, 262, Article 114560.
[12]	陈曦, 付文龙, 张海荣, 等. 考虑新能源发电不确定性的含微电网群共享储能优化调度[J]. 电网技术, 2024, 48(1): 219-236.
[13]	张世旭, 李姚旺, 刘伟生, 等. 面向微电网群的云储能经济-低碳-可靠多目标优化配置方法[J]. 电力系统自动化, 2024, 48(1): 21-30.
[14]	尚怡铭, 王维庆, 李笑竹, 等. 计及共享交易机制的多微网氢储能容量规划[J]. 浙江大学学报(工学版), 2024, 58(2): 426-436.
[15]	李咸善, 解仕杰, 方子健, 等. 多微电网共享储能的优化配置及其成本分摊[J]. 电力自动化设备, 2021, 41(10): 44-51.
[16]	林墨涵, 刘佳, 唐早, 等. 考虑多能耦合共享储能的微网多智能体混合博弈协调优化[J]. 电力系统自动化, 2024, 48(4): 132-141.
[17]	李军祥, 刘艳丽, 王溪. 基于信息间隙决策理论的绿证实时定价问题研究[J]. 电力系统保护与控制, 2024, 52(24): 32-43.
[18]	李军祥, 张三杰, 邵馨平. 考虑双侧响应与碳捕集的虚拟电厂低碳经济调度[J]. 上海理工大学学报, 2025, 47(1): 79-88.
[19]	翟姗姗, 陈欢, 王左戎. 基于SES差异下用户AI学习平台持续使用意愿影响机理研究[J]. 情报科学, 2022, 39(2): 28-35.
[20]	司莉. “一带一路”专题数据库建设的用户参与激励机制研究[J]. 情报科学, 2022, 39(2): 36-42.
[21]	李娟娟, 郭顺利. 社会化问答社区中用户知识采纳行为影响因素研究——基于扎根理论的视角[J]. 情报科学, 2022, 40(2): 91-98.
[22]	梁太鑫, 刘世峰. 基于UTAUT模型的旅游信息服务平台用户使用意愿影响因素研究[J]. 情报科学, 2022, 40(2): 162-168.
[23]	成全, 刘彬彬. 用户跨平台学术信息搜索行为影响因素研究——基于双路径模型的视角[J]. 情报科学, 2022, 39(2): 82-90.
[24]	李娟. 高校舆情中社交媒体用户情感倾向研究——以微博“反学术不端”话题为例[J]. 情报科学, 2020, 38(7): 100-104.
[25]	杨东红, 贺红梅, 徐畅. 移动音频平台用户知识付费行为影响因素研究[J]. 情报科学, 2020(7): 105-111.
[26]	陈志刚, 方卉. 国内移动商务用户行为研究综述[J]. 情报科学, 2018, 36(1): 164-171+177.
[27]	Fodor, S. and Barna, B. (2022) Exploring the Relationship between User Behavior and Engagement in a Gamified Teamwork Application. International Journal of Serious Games, 7, 3-19.
[28]	Ryan, R.M. and Deci, E.L. (2017) Brick by Brick: The Origins, Development, and Future of Self-Determination Theory. Annual Review of Psychology, 68, 689-713.
[29]	Naslund, J.A., Aschbrenner, K.A., Marsch, L.A. and Bartels, S.J. (2016) The Future of Mental Health Care: Peer-to-Peer Support and Social Media. Journal of Medical Internet Research, 18, e92.
[30]	Zhao, Y., Ni, Q. and Zhou, R. (2022) Exploring the Influence of Usage Scenarios on User Engagement in Tourism Short Video Platforms: A Perspective of Psychological Needs. Frontiers in Psychology, 13, Article ID: 1050214. [Google Scholar] [CrossRef] [PubMed]
[31]	屈德强, 李军祥, 尚有林, 等. 智能电网光滑化逼近实时定价[J]. 系统科学与数学, 2025, 45(1): 145-156.

为你推荐

友情链接