城市电动汽车服务网络服务能力动态评估方法研究*

李逸欣，杨军，陈杰军

(武汉大学 电气工程学院，武汉 430072)

0 引 言

随着环境问题日益突出，新能源产业成为替代化石能源解决能源危机和环境问题的重要途径，受到各国的大力扶持。随着电动汽车技术不断成熟，国家扶持政策的支持越来越大，电动汽车将得到快速发展[1-2]。

目前国内电动汽车服务商业化运营处于起步阶段,相关技术和标准尚未全部形成,针对电动汽车服务网络评估方法研究较少。文献[3]提出了居民区配电网接纳电动汽车充电能力的评估方法，文献[4]仅从电动汽车充电需求的角度进行分析根据电动汽车及充电设施数量进行计算，得到该网络一天内各小时的运营服务能力；文献[5]提出基于模糊层次分析法的服务能力评估方法，建立了一套指标体系，但未考虑电动汽车充电需求的时空特性及发展变化；文献[6]基于复杂网络理论对充换电服务网络进行分析，文献[7]对电动汽车充换电服务网络运营模式进行了研究，并未直接对服务网络服务能力进行评估。综上所述，目前电动汽车服务网络评估方法考虑因素不够全面,而且仅仅采用固定参数的评价体系来对电动汽车的服务网络服务能力进行评估。然而，随着电动汽车的发展，电动汽车的充电需求也会逐年改变，用固定的评价标准来评价不同时期充电网路的服务能力，可能会出现不合理的情况。

因此，综合考虑各种因素，从充电服务、电网安全、交通情况三方面考虑，基于云模型综合评价法和层次分析法建立充电站服务能力裕度指标体系和充电站权重估计指标体系，由站及网，构成完整的服务网络服务能力评估体系。为了实现动态评估，首先基于改进灰色预测模型和支持向量机建立电动汽车需求预测模型对待评估年份的电动汽车保有量进行预测，结合能效最大化原理得到电动汽车充电需求预测结果，在此基础上更新城市电动汽车服务网络服务能力评估体系参数，抽取服务网络中典型充电站进行服务能力评估，再根据权重评估结果对城市电动汽车服务网络服务能力进行评估，得到该网络的实时评价结果。具体步骤如图1所示。

图1 电动汽车服务网络服务能力评估全过程

1 电动汽车数量需求预测

分析可知，电动汽车更新替代比例可以更本质的体现电动汽车需求增长的特性，因此将利用支持向量机结合技术进步影响因素对电动汽车更新替代比例进行预测，再基于改进灰色预测法对汽车数量进行预测，两者相结合得到电动汽车需求增长预测结果。

1.1 基于改进灰色预测法的车辆数量预测

分析可知汽车数量预测的研究对象是随机事件、是不肯定事件，灰色系统理论可以很有效的解决即含有已知信息又含有未知或者不确定信息系统的预测问题[8]，因此建立基于改进灰色预测法(GM(1，1))的车辆数量预测模型。对传统GM(1，1)模型研究可知其在原始数据的处理和背景值的构造存在缺陷，针对这两方面进行改进，提高其预测的准确性，具体预测过程就不再赘述。

(1)原始数据平滑处理。

原始数据序列两端的数据按以下方式进行处理：

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

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

(1)

原始数据序列中间数据平滑处理方式：

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

(2)

其中，x(0)(1)为原始数据的第一个数，x(0)(n)为原始数据的第n个数，x(0)(m)为原始数据中的第m个数。

(2)构造合适背景值。

若生成数据平增长或低增长采用紧邻生成序列作为背景值，即:

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

(3)

若生成数据呈高增长趋势，则背景值为:

(4)

式中z(1)(k)为针对一次平滑生成数据构造的背景值，当平滑生成数据呈高增长趋势时，可以将数据处理为指数形式，即x(t)=μeat。

1.2 基于支持向量机的电动汽车替代比例预测

支持向量机(SVM)对于解决有限样本、非线性及高维模式识别等问题具有很大的优势，可以在数据响度不足的情况下，利用小样本更好的寻找到其中的规律，以便进行准确的预测[9]。电动汽车替代比例能更本质的显示出电动汽车的发展规律，而且存在样本较小、数据不足等情况，因此选择支持向量机对电动汽车替代比例进行预测。

SVM的基本思想是通过非线性映射将输入向量映射到高维特征空间中[10]，运用结构风险最小化原则构成最优决策函数，并巧妙地利用核函数取代高维特征空间的点积运算。在高维空间中构造最优的回归函数为：

(5)

文中选用由台湾大学林智仁教授开发的LIBSVM工具箱进行回归预测，以预测年份之前K年的更新替代比例历史数据和预测年的技术因素及政策影响因素，包括电池容量、电池寿命、充电电流、政策规划比例等因素(归一化后数据)为输入向量，选择内积核函数，进行回归预测。

1.3 电动汽车数量需求预测

结合基于改进灰色预测法得到车辆数量预测结果和基于支持向量机的电动汽车替代比例预测结果，实现对电动汽车数量需求动态预测。

(6)

2 电动汽车充电站充电需求预测

本文以私人乘用车为研究对象，假设电动汽车用户与燃油车用户具有相同的用户心理[11]，结合其出行链，基于能效最大化原理对电动汽车充电站充电需求进行预测。本文基于出行链模型分析电动汽车用户的时空分布情况，假设电动汽车用户在充电过程追求充电效用最大化来选择充电站进行充电，利用蒙特卡洛法模拟区域内所有电动汽车充电行为，实现对电动汽车充电站充电需求预测。

通过分析可以知道，电动汽车用户趋向于选择充电距离最短，排队时间最短的充电站进行充电。

(7)

3 城市电动汽车服务网络服务能力评估体系

将基于云模型综合评价法和层次分析法建立3层9个指标的充电站服务能力裕度指标体系和3层6个指标的充电站权重估计指标体系，通过抽取服务网络中典型充电站进行服务能力评估，再根据权重评估结果对电动汽车服务网络服务能力进行评估，得到最终评估结果。评估过程如图2所示。

图2 电动汽车服务网络服务能力评估

3.1 定量指标表示

对定量指标的实测值，可以利用隶属函数来进行量化处理[12]，得到9个定量指标的表示方式，文中着重介绍充电设施数量这个动态指标的表示。

设充换电站i充电设施数量为xi(单位为个),需求充电设施数量为ni(单位为个)，由充电站充电需求进行确定，评价分数为yi:

(8)

(9)

3.2 定性指标表示

定性的云模型指标有供电系统主接线、处理谐波装置。定性指标采用专家评测法处理。定性指标的评语集为{好，良好，一般，较差，差}，选取n位专家对定性指标进行打分，则可以对每个指标建立评价集S，评价集构成的云模型如表1所示。

表1 评语集S的云模型

通过对每个定性指标的评价集S中的评价分数求得期望值，则得到该定性指标的评价结果。

3.3 指标权重

对指标权重的确立采用层次分析法[12]，首先根据前文所提出的评价指标体系的递阶层次结构，对同一层次各元素的重要程度进行两两相互比较，得到相应的判断矩阵，然后由判断矩阵计算出被比较元素的相对权重，最后作一致性校验，若满足则得到相对权重，若不满足则判断矩阵构造不合理，修改判断矩阵得到相对权重。

充电站服务裕度指标体系具有三层9个指标，具体如图2所示，按照前述步骤，依次可以计算出第二层的相对权重矩阵Q1=[0.75 0.25]，充电服务指标下的相对权重矩阵Q1-2=[0.0639 0.3868 0.1194 0.2122 0.2122]，电网安全指标下的相对权重矩阵Q1-3=[0.3333 0.1667 0.3333 0.1667]。

充电站权重估计指标体系具有三层6个指标，具体如图2所示，依次可以计算出第二层的相对权重矩阵Q2=[0.6667 0.3333]，充电服务指标下的相对权重矩阵Q2-2=[0.3325 0.1396 0.5278]，电网安全指标下的相对权重矩阵Q2-3=[0.1634 0.2970 0.5397]。

3.4 云模型综合评价法

云模型是在概率统计和传统模糊数学的基础上进行定性与定量的互相转换。评价过程如下：

(1)分层建立各评价指标，具体指标如图2所示；

(2)根据定量、定性指标表示方式得到各指标分数；

(3)利用层次分析法确定指标权重；

(4)确定加权综合云的云重心向量：

假如系统有m个定性和定量指标，那么可以确立m个相对应的云模型，则反映系统性能状态的m个指标可以通过m维综合云来表示。通过m维向量来表示m维综合云的重心T为：

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(即权重大小)；

(5)计算加权偏离度:

通过归一化处理，反映系统状态的综合云重心向量变为了有大小、有方向、无量纲的值。经过归一化处理后的向量值乘以对应的指标权重，然后相加，最终得到加权偏离度θ的值：

(10)

(6)确定各充电站的服务水平评估的评价结果：

对于电动汽车充电站的服务水平评估的结果评语集可以分成5个类别，可以用评语{存在较大裕度、存在一定裕度、基本满足需求、缺乏、非常缺乏}来表征，θ值越小裕度越大。

4 算例分析

采用提出的方法对某地区电动汽车服务网络服务能力进行评估。

4.1 电动汽车数量预测

利用提出的方法，基于2010至2015年的历史数据，对该地区的电动汽车数量进行预测，可以得到2018年、2020年、2022年的电动汽车数量分别为1.1万辆、1.34万辆、1.56万辆。

4.2 电动汽车充电站充电需求预测

根据对电动汽车用户出行行为研究结果[11]，结合2018年、2020年、2022年电动汽车数量预测结果，SOC充电速率分别取10%/h 、12%/h、15%/h，最大行驶距离分别取30 km,32 km,35 km,在工作日下对充电站充电需求进行预测，仿真结果如图3所示。

从仿真结果可以得出：(1)随着电动汽车的数量增多，电动汽车充电需求总体也随之增长；(2)随着SOC充电速率增大，最大行驶距离增加，电动汽车负荷会有所转移，有的充电站的充电需求会逐渐增长，然而有的充电站的充电需求却减少。因此，非常有必要根据电动汽车充电需求预测结果，对服务网络服务能力评价指标进行更新，实现合理准确的评估。

图3 电动汽车充电站充电需求预测

4.3 电动汽车服务网络服务能力评估

通过调研获取该服务网络的10个典型充电站的服务数据，运用提出的充电站服务能力评估方法对该区域内的10个充电站构成的充电服务网络的服务能力裕度进行评价。

(1)各指标分数。

以2018年为例分析，根据充电站充电需求和式(11)，得到2018年充电设施需求1～10号充电站分别为6、3、17、9、6、3、5、10、9、8个，结合服务数据，得到1～10号充电站各指标分数。1～10号充电站的充电服务指标的指标分数如表2所示，电网安全指标的指标分数如表3所示，交通情况指标的指标分数如表4所示。

表2 充换电服务指标下各指标分数

表3 电网安全指标下指标分数

表4 交通情况指标下的指标分数

(2)各充电站服务能力裕度评估结果。

运用充电站服务能力评估方法对待测区域内的5个充电站的服务能力裕度分别进行评价。充电站加权偏移度计算值如表5所示。

表5 充电站加权偏移度计算值

做出这10个充电站的服务能力裕度评价云图，如图4所示。可以得出2号充电站存在较大裕度，5号、6号、7号充电站存在一定裕度，3号、10号充电站基本满足需求，1号、4号、9号充电站缺乏即不能满足充电需求。

(3)各充电站权重估计。

根据前文所述的充电站权重估计指标体系，得到权重指标评估结果矩阵，如表6所示，以此构建合理的判断矩阵，得到各充电站权重向量。

图4 电动汽车充电站服务能力评价结果

充电站1号2号3号4号5号θ0.300.120.370.460.34充电站6号7号8号9号10号θ0.220.260.410.450.4

θ值越小，表示充电站在服务网络中的地位越重，因此得到10阶的权重判矩阵如下：

通过计算可以得CI=1.83×10-5,CR=1.23×10-5,因此判断矩阵合理。权重矩阵Q=[0.0798 0.1439 0.1224 0.1149 0.0648 0.0809 0.1001 0.1158 0.0947 0.0828]。

(4)充电服务网络服务能力评估结果

由本文所述方法所得，最终该服务网络2018年服务能力评价结果θ值为0.233，同理可以计算得出2020年和2022年θ值为0.473、0.614。服务能力评价云图如图5所示。

图5 电动汽车充电网络服务能力评价结果

由图5可以得出结论：2018年该网络存在一定裕度、2020年基本满足需求、2022年缺乏。

5 结束语

为了全面评估服务网络，基于云模型综合评价法和层次分析法建立3层9个指标的充电站服务能力裕度指标体系和3层6个指标的充电站权重估计指标体系，由站及网，建立服务网络服务能力评估体系。基于改进灰色预测法和支持向量机的电动汽车需求增长模型对电动汽车数量进行预测，并基于能效最大化原理对充电站充电负荷进行预测。根据充电站充电需求预测结果，更新评价体系中充电站所需充电桩数量指标。利用本方法实现对城市电动汽车服务网络服务能力裕度的实时动态评估，为研究电动汽车充电站规划提供基础。