基于模糊规划算法的自助充电通用服务系统设计与研究

相对模糊的,需要引入目标隶属函数μ_j(f_i)来表示目标函数f_i中某一模糊指标对于f_i的隶属程度。隶属函数μ_j(f_i)应如公式（5）所示：

 （6）

式中：j=1,2,3,方案实用度指标G_i表示当前目标函数参数下,方案选取的实用性,G_i越小则方案选取越优。其中λ_j应符合设计的归一性与非负性,即λ_j>0且∑λ_j=1为模型的约束条件。

在计算过程中,λ_j只与偏好矩阵和目标函数重要程度有关。为保证指标评价权重的准确性,随机挑选100组每组100人的电动汽车用户作为样本进行调研,考察用户对于时间、路程、价格3个指标的看重程度,并将结果进行散点分析,用户评价散点分析如图5所示。

图5 用户评价散点分析Fig.5 User interest dispersion analysis

根据大量市场调研及用户习惯分析,路程等价指标重要程度小于充电价格等价指标小于时间成本等价指标,最终得出用户评价权重式（7）的结果。

 （8）

通过模糊规划,成功将三目标问题转化为单目标评价体系,同时剔除了评价过程中参数量纲不一致的问题。

3.3 模型仿真与结果

3.3.1 仿真场景搭建

图6 充电站充电地图Fig.6 The map of charging stations

表1 充电站地理信息Tab.1 Geographic information of charging station

图6是发出充电请求的电动汽车搜索附近充电站结果的示意图。电动汽车电池容量为25 kW,出发时剩余电量为2.5 kW,汽车耗电量为2.5 kW/h,设充电时只充到电池容量的80%。

充电站地理信息见表1所列,将表中数据导入Matlab进行仿真计算。

从图中可以看出充电站4的路途中有严重拥堵路段,通行时间较久。将上述数据代入约束条件式（4）,可以求得：

Tab.2 Basic data of charging station " style="box-sizing: border-box; color: rgb(43, 43, 43); text-decoration-line: none;">表2 充电站基本数据Tab.2 Basic data of charging station

3.3.2 仿真结果

将上述式（5）及式（8）输入Matlab,输出结果见表3所列。

仿真结果得出,实用度指标G_i分别为（-0.045 61, 0.052 08, -0.006 47）,可以看出G₁最小,说明G₁方案选择实用度最高。通过结果对比,可以看出
1号充电站的时间成本指标要略大于2号充电站的时间成本,从地图上可以看出3号充电站的距离成本要优于1号的距离成本,在进行模糊规划后,最优方案的各项成本不一定是最小的,而是趋于更为折中的,成本比重分配更为合理。

此时,用户点选一键导航功能时,系统进行短暂计算后,选择1号充电站作为充电目的地。功能视图界面如图7所示。

图7 一键导航功能视图界面Fig.7 One-key navigation function interface

 4 结语

自助充电通用服务系统是电动汽车用户参与自助充电业务的信息化保障,是电动汽车参与智能用电业务的关键环节。本文提出了自助充电通用服务系统的设计方案,并基于模糊规划算法完成了智能导航的功能设计,实现了自助充电通用服务系统服务接口的通用性和充电服务的自助性。用户可以远程预定各项充电服务,自助实现查询、预约、充电、支付的整个充电流程,实现充电业务的自助性。自助充电通用服务系统将用户侧、充电设备侧和管控侧有效的联系在一起,实现各个环节的友好互动、联动服务。

未来,随着大数据技术及物联网技术不断发展,自助充电通用服务系统与电网智能用电平台深入融合,系统的功能将不断完善,系统在充电负荷数据及设备数据的深度挖掘及智能用电业务方面将展现不可或缺的作用。