共享电动汽车的普及为城市出行带来便利，但用户与运营商长期面临两大痛点：热门网点“一车难求”与冷门网点“车满为患”的供需失衡，以及无序充电对电网造成的负荷波动。针对这些问题，东南大学电气工程学院研究团队提出创新解决方案，通过融合行为经济学理论与智能算法，构建用户行为引导与充电优化的协同调度体系。
研究核心突破在于将诺贝尔经济学奖得主提出的“助推理论”应用于车辆调度场景。该理论强调通过非强制、低成本的信息干预，引导用户自主做出符合系统整体利益的选择。团队构建了包含认知与动机双维度的助推框架，针对不同场景设计强弱助推策略，并运用模糊综合评价模型量化用户响应度。例如，通过动态显示网点车辆供需、电价及碳排放数据，引导用户主动将车辆归还至低需求网点，实现车辆空间分布的再平衡。
在充电优化层面，研究团队突破传统以运营商收益为单一目标的局限，创新性地构建兼顾经济性与低碳性的双目标模型。该模型通过深度Q网络强化学习算法，模拟用户、运营商、电网三方动态博弈过程，同步优化车辆调度路径与充电时段。算法可自动识别电网负荷低谷期与新能源发电高峰期，引导车辆在电价最低、电网承载力最强的时段充电，既降低运营商充电成本，又平抑电网波动。
实证研究表明，该方案在保障用户选择自由的前提下，显著提升运营效率：用户找车时间缩短37%，车辆周转率提高22%，运营商充电成本降低18%，电网负荷波动幅度下降29%。特别在用电高峰时段，通过有序充电策略使电网峰值负荷减少15%，有效缓解了新能源发电间歇性对电网稳定性的冲击。
这项跨学科研究为共享交通领域提供了新范式，其创新点在于将行为科学理论与工程技术深度融合，通过柔性引导替代传统补贴激励，构建起用户、企业、电网三方共赢的生态体系。相关成果已形成完整技术方案，后续将通过更大规模的实地测试验证算法鲁棒性，为城市智慧交通系统建设提供理论支撑与技术储备。
