Leveraging implicit flexibility for day-ahead energy management and cost optimization in electric vehicle charging stations using a Monte Carlo scenario-based approach

As electric vehicle adoption accelerates globally, uncoordinated charging threatens distribution network stability, increases infrastructure upgrade costs, and creates economic inefficiencies. Intelligent energy management strategies exploiting flexibility in vehicle charging patterns are essential for sustainable transportation electrification. This thesis develops and validates an optimization framework for day-ahead charging scheduling under demand uncertainty within the Italian electricity market. Monte Carlo scenario generation employing empirical cumulative distribution functions from operational data produces ensembles preserving stochastic demand characteristics. Mixed-integer linear programming formulations incorporate comprehensive Italian tariff structures including time-varying energy costs, and power-based capacity charges. The optimizer performs simultaneous energy arbitrage and peak shaving to minimize total system costs. Computational experiments across 4,471 charging sessions over 25 months demonstrate 12-15% monthly cost reductions (€143-206) and 70% peak power suppression (88.7 to 15kW). Capacity savings of 64.3% dominate the total benefit, with energy arbitrage contributing 1.3%. Zero penalty costs across all instances validate complete energy delivery without service quality compromise. The empirically validated framework establishes that workplace charging provides sufficient temporal flexibility for simultaneous economic optimization and service quality maintenance.

Con l’accelerazione dell’adozione dei veicoli elettrici a livello globale, la ricarica non coordinata minaccia la stabilità delle reti di distribuzione, aumenta i costi di potenziamento delle infrastrutture e genera inefficienze economiche. Strategie intelligenti di gestione dell’energia che sfruttino la flessibilità nei profili di ricarica dei veicoli sono essenziali per un’elettrificazione sostenibile dei trasporti. Questa tesi sviluppa e valida un quadro di ottimizzazione per la programmazione day-ahead della ricarica in condizioni di incertezza della domanda all’interno del mercato elettrico italiano. La generazione di scenari tramite metodo Monte Carlo, utilizzando funzioni di distribuzione cumulativa empiriche derivate da dati operativi, produce insiemi di scenari che preservano le caratteristiche stocastiche della domanda. Le formulazioni di programmazione lineare intera mista incorporano le strutture tariffarie italiane complete, inclusi i costi dell’energia variabili nel tempo e le componenti tariffarie basate sulla potenza impegnata. L’ottimizzatore esegue simultaneamente arbitraggio energetico e peak shaving per minimizzare i costi complessivi del sistema. Gli esperimenti computazionali, condotti su 4.471 sessioni di ricarica nell’arco di 25 mesi, dimostrano riduzioni mensili dei costi del 12–15% (€143–206) e una riduzione del picco di potenza del 70% (da 88,7 a 15 kW). I risparmi sulla capacità, pari al 64,3%, rappresentano la componente dominante del beneficio totale, mentre l’arbitraggio energetico contribuisce per l’1,3%. L’assenza di costi di penalità in tutti i casi analizzati conferma la completa erogazione dell’energia senza compromessi sulla qualità del servizio. Il quadro metodologico validato empiricamente dimostra che la ricarica in ambito lavorativo offre una flessibilità temporale sufficiente per consentire l’ottimizzazione economica simultanea e il mantenimento della qualità del servizio.