城市電動汽車服務網絡服務能力動態評估方法研究*

李逸欣，楊軍，陳杰軍

(武漢大學 電氣工程學院，武漢 430072)

0 引 言

隨著環境問題日益突出，新能源產業成為替代化石能源解決能源危機和環境問題的重要途徑，受到各國的大力扶持。隨著電動汽車技術不斷成熟，國家扶持政策的支持越來越大，電動汽車將得到快速發展[1-2]。

目前國內電動汽車服務商業化運營處于起步階段,相關技術和標準尚未全部形成,針對電動汽車服務網絡評估方法研究較少。文獻[3]提出了居民區配電網接納電動汽車充電能力的評估方法，文獻[4]僅從電動汽車充電需求的角度進行分析根據電動汽車及充電設施數量進行計算，得到該網絡一天內各小時的運營服務能力；文獻[5]提出基于模糊層次分析法的服務能力評估方法，建立了一套指標體系，但未考慮電動汽車充電需求的時空特性及發展變化；文獻[6]基于復雜網絡理論對充換電服務網絡進行分析，文獻[7]對電動汽車充換電服務網絡運營模式進行了研究，并未直接對服務網絡服務能力進行評估。綜上所述，目前電動汽車服務網絡評估方法考慮因素不夠全面,而且僅僅采用固定參數的評價體系來對電動汽車的服務網絡服務能力進行評估。然而，隨著電動汽車的發展，電動汽車的充電需求也會逐年改變，用固定的評價標準來評價不同時期充電網路的服務能力，可能會出現不合理的情況。

因此，綜合考慮各種因素，從充電服務、電網安全、交通情況三方面考慮，基于云模型綜合評價法和層次分析法建立充電站服務能力裕度指標體系和充電站權重估計指標體系，由站及網，構成完整的服務網絡服務能力評估體系。為了實現動態評估，首先基于改進灰色預測模型和支持向量機建立電動汽車需求預測模型對待評估年份的電動汽車保有量進行預測，結合能效最大化原理得到電動汽車充電需求預測結果，在此基礎上更新城市電動汽車服務網絡服務能力評估體系參數，抽取服務網絡中典型充電站進行服務能力評估，再根據權重評估結果對城市電動汽車服務網絡服務能力進行評估，得到該網絡的實時評價結果。具體步驟如圖1所示。

圖1 電動汽車服務網絡服務能力評估全過程

1 電動汽車數量需求預測

分析可知，電動汽車更新替代比例可以更本質的體現電動汽車需求增長的特性，因此將利用支持向量機結合技術進步影響因素對電動汽車更新替代比例進行預測，再基于改進灰色預測法對汽車數量進行預測，兩者相結合得到電動汽車需求增長預測結果。

1.1 基于改進灰色預測法的車輛數量預測

分析可知汽車數量預測的研究對象是隨機事件、是不肯定事件，灰色系統理論可以很有效的解決即含有已知信息又含有未知或者不確定信息系統的預測問題[8]，因此建立基于改進灰色預測法(GM(1，1))的車輛數量預測模型。對傳統GM(1，1)模型研究可知其在原始數據的處理和背景值的構造存在缺陷，針對這兩方面進行改進，提高其預測的準確性，具體預測過程就不再贅述。

(1)原始數據平滑處理。

原始數據序列兩端的數據按以下方式進行處理：

x(1)(1)=(3x(0)(1)+x(0)(2))/4

x(1)(n)=(x(0)(n-1)+3x(0)(n))/4

(1)

原始數據序列中間數據平滑處理方式：

x(1)(m)=(x(0)(m-1)+2x(0)(m)+x(0)(m+1))/4,1

(2)

其中，x(0)(1)為原始數據的第一個數，x(0)(n)為原始數據的第n個數，x(0)(m)為原始數據中的第m個數。

(2)構造合適背景值。

若生成數據平增長或低增長采用緊鄰生成序列作為背景值，即:

z(1)(k)=0.5x(1)(k)+0.5x(1)(k-1)

(3)

若生成數據呈高增長趨勢，則背景值為:

(4)

式中z(1)(k)為針對一次平滑生成數據構造的背景值，當平滑生成數據呈高增長趨勢時，可以將數據處理為指數形式，即x(t)=μeat。

1.2 基于支持向量機的電動汽車替代比例預測

支持向量機(SVM)對于解決有限樣本、非線性及高維模式識別等問題具有很大的優勢，可以在數據響度不足的情況下，利用小樣本更好的尋找到其中的規律，以便進行準確的預測[9]。電動汽車替代比例能更本質的顯示出電動汽車的發展規律，而且存在樣本較小、數據不足等情況，因此選擇支持向量機對電動汽車替代比例進行預測。

SVM的基本思想是通過非線性映射將輸入向量映射到高維特征空間中[10]，運用結構風險最小化原則構成最優決策函數，并巧妙地利用核函數取代高維特征空間的點積運算。在高維空間中構造最優的回歸函數為：

(5)

文中選用由臺灣大學林智仁教授開發的LIBSVM工具箱進行回歸預測，以預測年份之前K年的更新替代比例歷史數據和預測年的技術因素及政策影響因素，包括電池容量、電池壽命、充電電流、政策規劃比例等因素(歸一化后數據)為輸入向量，選擇內積核函數，進行回歸預測。

1.3 電動汽車數量需求預測

結合基于改進灰色預測法得到車輛數量預測結果和基于支持向量機的電動汽車替代比例預測結果，實現對電動汽車數量需求動態預測。

(6)

2 電動汽車充電站充電需求預測

本文以私人乘用車為研究對象，假設電動汽車用戶與燃油車用戶具有相同的用戶心理[11]，結合其出行鏈，基于能效最大化原理對電動汽車充電站充電需求進行預測。本文基于出行鏈模型分析電動汽車用戶的時空分布情況，假設電動汽車用戶在充電過程追求充電效用最大化來選擇充電站進行充電，利用蒙特卡洛法模擬區域內所有電動汽車充電行為，實現對電動汽車充電站充電需求預測。

通過分析可以知道，電動汽車用戶趨向于選擇充電距離最短，排隊時間最短的充電站進行充電。

(7)

3 城市電動汽車服務網絡服務能力評估體系

將基于云模型綜合評價法和層次分析法建立3層9個指標的充電站服務能力裕度指標體系和3層6個指標的充電站權重估計指標體系，通過抽取服務網絡中典型充電站進行服務能力評估，再根據權重評估結果對電動汽車服務網絡服務能力進行評估，得到最終評估結果。評估過程如圖2所示。

圖2 電動汽車服務網絡服務能力評估

3.1 定量指標表示

對定量指標的實測值，可以利用隸屬函數來進行量化處理[12]，得到9個定量指標的表示方式，文中著重介紹充電設施數量這個動態指標的表示。

設充換電站i充電設施數量為xi(單位為個),需求充電設施數量為ni(單位為個)，由充電站充電需求進行確定，評價分數為yi:

(8)

(9)

3.2 定性指標表示

定性的云模型指標有供電系統主接線、處理諧波裝置。定性指標采用專家評測法處理。定性指標的評語集為{好，良好，一般，較差，差}，選取n位專家對定性指標進行打分，則可以對每個指標建立評價集S，評價集構成的云模型如表1所示。

表1 評語集S的云模型

通過對每個定性指標的評價集S中的評價分數求得期望值，則得到該定性指標的評價結果。

3.3 指標權重

對指標權重的確立采用層次分析法[12]，首先根據前文所提出的評價指標體系的遞階層次結構，對同一層次各元素的重要程度進行兩兩相互比較，得到相應的判斷矩陣，然后由判斷矩陣計算出被比較元素的相對權重，最后作一致性校驗，若滿足則得到相對權重，若不滿足則判斷矩陣構造不合理，修改判斷矩陣得到相對權重。

充電站服務裕度指標體系具有三層9個指標，具體如圖2所示，按照前述步驟，依次可以計算出第二層的相對權重矩陣Q1=[0.75 0.25]，充電服務指標下的相對權重矩陣Q1-2=[0.0639 0.3868 0.1194 0.2122 0.2122]，電網安全指標下的相對權重矩陣Q1-3=[0.3333 0.1667 0.3333 0.1667]。

充電站權重估計指標體系具有三層6個指標，具體如圖2所示，依次可以計算出第二層的相對權重矩陣Q2=[0.6667 0.3333]，充電服務指標下的相對權重矩陣Q2-2=[0.3325 0.1396 0.5278]，電網安全指標下的相對權重矩陣Q2-3=[0.1634 0.2970 0.5397]。

3.4 云模型綜合評價法

云模型是在概率統計和傳統模糊數學的基礎上進行定性與定量的互相轉換。評價過程如下：

(1)分層建立各評價指標，具體指標如圖2所示；

(2)根據定量、定性指標表示方式得到各指標分數；

(3)利用層次分析法確定指標權重；

(4)確定加權綜合云的云重心向量：

假如系統有m個定性和定量指標，那么可以確立m個相對應的云模型，則反映系統性能狀態的m個指標可以通過m維綜合云來表示。通過m維向量來表示m維綜合云的重心T為：

Τ=(Τ1,Τ2,...,Τm)=a×b

(10)

式中Ti=ai×bi;ai代表云重心的位置向量(云重心的期望);bi代表云重心的高度向量(即權重大小)；

(5)計算加權偏離度:

通過歸一化處理，反映系統狀態的綜合云重心向量變為了有大小、有方向、無量綱的值。經過歸一化處理后的向量值乘以對應的指標權重，然后相加，最終得到加權偏離度θ的值：

(10)

(6)確定各充電站的服務水平評估的評價結果：

對于電動汽車充電站的服務水平評估的結果評語集可以分成5個類別，可以用評語{存在較大裕度、存在一定裕度、基本滿足需求、缺乏、非常缺乏}來表征，θ值越小裕度越大。

4 算例分析

采用提出的方法對某地區電動汽車服務網絡服務能力進行評估。

4.1 電動汽車數量預測

利用提出的方法，基于2010至2015年的歷史數據，對該地區的電動汽車數量進行預測，可以得到2018年、2020年、2022年的電動汽車數量分別為1.1萬輛、1.34萬輛、1.56萬輛。

4.2 電動汽車充電站充電需求預測

根據對電動汽車用戶出行行為研究結果[11]，結合2018年、2020年、2022年電動汽車數量預測結果，SOC充電速率分別取10%/h 、12%/h、15%/h，最大行駛距離分別取30 km,32 km,35 km,在工作日下對充電站充電需求進行預測，仿真結果如圖3所示。

從仿真結果可以得出：(1)隨著電動汽車的數量增多，電動汽車充電需求總體也隨之增長；(2)隨著SOC充電速率增大，最大行駛距離增加，電動汽車負荷會有所轉移，有的充電站的充電需求會逐漸增長，然而有的充電站的充電需求卻減少。因此，非常有必要根據電動汽車充電需求預測結果，對服務網絡服務能力評價指標進行更新，實現合理準確的評估。

圖3 電動汽車充電站充電需求預測

4.3 電動汽車服務網絡服務能力評估

通過調研獲取該服務網絡的10個典型充電站的服務數據，運用提出的充電站服務能力評估方法對該區域內的10個充電站構成的充電服務網絡的服務能力裕度進行評價。

(1)各指標分數。

以2018年為例分析，根據充電站充電需求和式(11)，得到2018年充電設施需求1～10號充電站分別為6、3、17、9、6、3、5、10、9、8個，結合服務數據，得到1～10號充電站各指標分數。1～10號充電站的充電服務指標的指標分數如表2所示，電網安全指標的指標分數如表3所示，交通情況指標的指標分數如表4所示。

表2 充換電服務指標下各指標分數

表3 電網安全指標下指標分數

表4 交通情況指標下的指標分數

(2)各充電站服務能力裕度評估結果。

運用充電站服務能力評估方法對待測區域內的5個充電站的服務能力裕度分別進行評價。充電站加權偏移度計算值如表5所示。

表5 充電站加權偏移度計算值

做出這10個充電站的服務能力裕度評價云圖，如圖4所示。可以得出2號充電站存在較大裕度，5號、6號、7號充電站存在一定裕度，3號、10號充電站基本滿足需求，1號、4號、9號充電站缺乏即不能滿足充電需求。

(3)各充電站權重估計。

根據前文所述的充電站權重估計指標體系，得到權重指標評估結果矩陣，如表6所示，以此構建合理的判斷矩陣，得到各充電站權重向量。

圖4 電動汽車充電站服務能力評價結果

充電站1號2號3號4號5號θ0.300.120.370.460.34充電站6號7號8號9號10號θ0.220.260.410.450.4

θ值越小，表示充電站在服務網絡中的地位越重，因此得到10階的權重判矩陣如下：

通過計算可以得CI=1.83×10-5,CR=1.23×10-5,因此判斷矩陣合理。權重矩陣Q=[0.0798 0.1439 0.1224 0.1149 0.0648 0.0809 0.1001 0.1158 0.0947 0.0828]。

(4)充電服務網絡服務能力評估結果

由本文所述方法所得，最終該服務網絡2018年服務能力評價結果θ值為0.233，同理可以計算得出2020年和2022年θ值為0.473、0.614。服務能力評價云圖如圖5所示。

圖5 電動汽車充電網絡服務能力評價結果

由圖5可以得出結論：2018年該網絡存在一定裕度、2020年基本滿足需求、2022年缺乏。

5 結束語

為了全面評估服務網絡，基于云模型綜合評價法和層次分析法建立3層9個指標的充電站服務能力裕度指標體系和3層6個指標的充電站權重估計指標體系，由站及網，建立服務網絡服務能力評估體系。基于改進灰色預測法和支持向量機的電動汽車需求增長模型對電動汽車數量進行預測，并基于能效最大化原理對充電站充電負荷進行預測。根據充電站充電需求預測結果，更新評價體系中充電站所需充電樁數量指標。利用本方法實現對城市電動汽車服務網絡服務能力裕度的實時動態評估，為研究電動汽車充電站規劃提供基礎。