技术领域
[0001] 本发明属于综合评价领域。
相关背景技术
[0002] 近年来，随着电动汽车的快速发展，充电设施建设与电动汽车发展规模不匹配导致的区域性、时段性充电服务能力短缺问题日益凸显。固定充电设施存在扩容难、充电功率低或排队时间长等问题，无法有效应对高速公路、充电站临时充电服务能力提升和配网容量紧张需放电场景。组件式移动充电设施，包含智能插座、移动底座、分体式直流充放电机、储能电池组、连接模块、控制模块等组件。通过不同组件之间的组合可以提升其时空分布和功率调控的灵活性。组件式移动充放电设施性能状态对充放电安全和充电服务能力提升的影响十分重要。为了提高组件是移动充放电设施的运维效率和服务能力，建立一种组件式移动充放电设施性能评估模型是亟待解决的问题。
[0003] 目前，电动汽车充电桩的性能评估方法大都采用模糊综合评价法，其中隶属度函数都是采用具体的函数来表示，这在一定程度上与模糊理论相悖，无法合理表示充电桩性能状态等级分布。
具体实施方式
[0072] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0073] 具体实施方式一：参照图1具体说明本实施方式，本实施方式所述的一种基于云模型的组件式移动充放电设施性能评估方法，包括：
[0074] 步骤一、根据待评估充放电设施，建立组件式移动充放电设施性能评价指标体系；根据所述性能评价指标体系建立组件式移动充放电设施性能评语等级；
[0075] 采用改进灰色关联分析指标体系中每个指标的主观权重、基于熵权法计算指标体系中每个指标的客观权重；利用所述主观权重和客观权重基于NASH均衡，计算每个指标的综合权重；
[0076] 步骤二、采集待评估充放电设施的指标数据，再将所述指标数据转化为劣化度，[0077] 建立正态云模型隶属度函数，将劣化度代入正态云模型隶属度函数，求出对各个评语等级的隶属度，将所述隶属度组成隶属度矩阵；
[0078] 步骤三、利用隶属度矩阵与综合权重相乘求出模糊评判矩阵BT，则从模糊评判矩阵中选取隶属度最大值对应的元素，获取待评估充放电设施的健康状态。
[0079] 正态云模型隶属度函数正态云模型隶属度函数进一步地，本发明中，步骤一中，根据待进行评估充放电设施，建立组件式移动充放电设施性能评价指标体系的方法为：
[0080] 从组件式移动充放电设施的电气性能指标、保护性能指标和设备到场安装参数中进行指标选取。
[0081] 进一步地，本实施方式中，电气性能指标中提取的指标包括：稳压精度、稳流精度、输出电压误差、输出电流误差、效率、纹波系数、电流总谐波畸变率和直流注入量；
[0082] 保护性能指标中提取的指标包括：绝缘性能、输入过压保护、输出短路保护和防孤岛性能；
[0083] 设备到场安装参数中提取的指标包括：安装时间、充放电转换时间和IP防护强度。
[0084] 进一步地，本实施方式中，步骤一中，采用改进灰色关联分析指标体系中每个指标的主观权重的计算方法为：
[0085] 建立经验判断矩阵B：
[0086]
[0087] 式中，y表示y个专家，n表示评价指标个数，bn(y)表示第y位专家对第n个指标的权重评估值；
[0088] 从验判断矩阵B中选取最大值序列B0作为参考序列；
[0089] B0＝(b0(1),b0(2)…b0(y))
[0090] 利用所述参考序列B0计算B中指标的每个子序列与子序列与参考序列之间的距离；
[0091]
[0092] 式中，D0j表示j个指标的子序列与参考序列之间的距离；k表示第k个专家；j＝1,2……，n；
[0093] 利用所述子序列与子序列与参考序列之间的距离，计算每个指标的主观权重；
[0094]
[0095] 式中，ωj表示第j个指标的主观权重。
[0096] 进一步地，本实施方式中，步骤一中，基于熵权法计算指标体系中每个指标的客观权重方法为：
[0097] 建立初始决策矩阵X；
[0098]
[0099] 式中，初始决策矩阵X由m个时刻的组件式移动充放电设施运行指标数据组成，xmn为m时刻第n个指标的运行数据；
[0100] 对初始决策矩阵中运行数据进行归一化；
[0101]
[0102] 式中，Zdj是xdj归一化处理之后的值，xdj是d时刻第j个指标的运行数据，min{xd}[0103] 为初始决策矩阵第d列的最小值，max{xd}为始决策矩阵第d列的最大值，将Zdj组成[0104] 标准矩阵Z；
[0105]
[0106] 式中，Pdj是第j个指标下第d个时刻的比重Pdj；
[0107]
[0108] 式中，ej是第j个指标的信息熵；
[0109]
[0110] 式中，vj为第j个指标的客观权重。
[0111] 进一步地，本实施方式中，步骤一中，利用所述主观权重和客观权重基于NASH均衡，计算每个指标的综合权重的方法为：
[0112] 对公式：
[0113]
[0114] 求导得：
[0115]
[0116] 将主观权重和客观权重代入上式，求出最优组合权重分配系数ak；
[0117]
[0118] uj是第j个指标的综合权重，a1主观权重系数，a2客观权重系数，当k＝1时，u11主观权重集合，当k＝2时，表示u21客观权重集合。
[0119] 进一步地，本发明中，步骤二中，采集待进行评估充放电设施的指标评分，再将所述指标评分转化为劣化度的方法为：
[0120]
[0121] 式中，d(x)为指标劣化度，x是指标评分。
[0122] 进一步地，本实施方式中，步骤二中，建立隶属度函数，利用隶属度函数值计算正态云模型隶属度函数，将劣化度代入云模型的隶属度函数，求出对各个评语等级的隶属度值的方法为：
[0123] 根据评语等级V；
[0124] V＝{V1,V2,V3,V4}
[0125] 建立隶属度函数，其中，V1、V2、V3、V4分别表示的评语等级是健康、良好、劣化和故障；
[0126] 所述隶属度函数为：
[0127]
[0128] 其中，μr(x)表示隶属度，Ex1是第一个健康评语等级的期望值为0.1；Ex4为第四个健康故障评语等级的期望为0.4，En为四个评语等级的熵值，He表示四个评语等级的超熵，x表示以Ex为期望En为方差的随机数；En’表示以En为期望，He为方差的随机数；将指标的劣化度代隶属度函数，获取隶属度值。
[0129] 正态云模型隶属度函数(x,μr(x))为云滴，所有云滴的集合为云模型；各个评语等级的特征值如表2所示，将其代入正向云模型生成器，生成正态云模型隶属度函数，如图2所示。进一步地，本发明中，步骤二中，隶属度矩阵为：
[0130]
[0131] 其中，R为隶属度矩阵，r11、r12、r13和r14分别是劣化度指标1对四个评语等级的隶属度，rn1、rn2、rn3和rn4分别是第n个指标对四个评语等级的隶属度。
[0132] 进一步地，步骤三中，模糊评判矩阵BT为：
[0133]
[0134] 其中，BT为模糊评判矩阵，Wi是综合权重；rms是第n个指标对第s个评语等级的隶属程度；bi1，bi2……bis分别表示整体评估结果对评语等级1到评语等级s的隶属度值，wi1，wi2……win分别表示n个指标的综合权重,下角标i＝1、2或3；所述下角标i表示对应的指标属于电气性能1、保护性能2或设备到场安装参数3。
[0135] 表1组件式移动充放电设施性能评价指标体系
[0136]
[0137]
[0138] 表2正态云模型特征参数
[0139]
[0140] 表3电气性能劣化度
[0141]
[0142] 表4电气性能指标隶属度
[0143]
[0144]
[0145] 具体实施例：参照图2进行说明；
[0146] 步骤1：建立组件式移动充放电设施性能评估指标体系；
[0147] 构建组件式移动充放电设施性能评价指标体系是有效评估充电设施状态的前提条件。调研分析充放电设施故障原因并结合国家标准和行业标准，按照科学性、全面性、可操作性和独立性的原则建立了评价指标体系如表1所示。电气性能既考虑到充电过程中的稳压、稳流精度等指标，又引入了放电过程中电网侧注入电流畸变率等指标；保护性能指标中引入防孤岛保护来反映并网时充电设施的保护性能；设备到场安装参数中的设备到场安装时间反映该设备在充电服务能力短缺场景下的应急能力。从以上三个方面选取指标对充放电设施进行评估，能够科学有效地表征组件式移动充放电设施的健康状态。
[0148] 步骤2：计算综合权重；
[0149] (1)确定基于改进灰色关联分析的主观权重
[0150] 灰色关联分析是灰色系统理论的一个重要分支，其求取主观权重的基本思想是通过计算参考序列和每个专家经验判断序列之间的差异以确定专家经验判断之间的关联度，进而确定权重。关联度越大说明专家经验判断趋于一致该指标在整个指标体系中的重要程度就越大，权重也就越大。灰色关联分析计算权重易受关联系数和参考序列选取的影响出现不确定性等问题，因此采用了一种改进方法来解决上述问题。
[0151]
[0152] 式中，m个人对n个评价指标根据经验判断权重，B表示经验判断矩阵，bn(y)表示第y位专家对第n个指标的权重评估值。
[0153] B0＝(b0(1),b0(2)…b0(y))
[0154] 式中，B0是参考序列，b0(1)到b0(m)为经验判断矩阵B中的最大值。
[0155]
[0156] 式中，D0j表示j个指标的子序列与参考序列之间的距离。
[0157]
[0158] 式中，ωj表示第j个指标的主观权重。
[0159] (2)确定基于熵权法的客观权重
[0160]
[0161] 初始决策矩阵X由m个时刻的组件式移动充放电设施运行指标数据组成，xmn为m时刻第n个指标的运行数据。
[0162]
[0163] 式中，Zdj是xdj归一化处理之后的值，xdj是d时刻第j个指标的运行数据，min{xd}为初始决策矩阵第d列的最小值，max{xd}为始决策矩阵第d列的最大值，将Zdj组成标准矩阵Z。
[0164]
[0165] 式中，Pdj是第j个指标下第d个时刻的比重Pdj；
[0166]
[0167] 式中，ej是第j个指标的信息熵；
[0168]
[0169] 式中，vj为第j个指标的客观权重。
[0170] (3)确定基于NASH均衡的综合权重；
[0171] U1＝{u11,u12,…,u1n}为主观权重集合，U2＝{u21,u22,…,u2n}为客观权重集合。综合权重是通过对主、客观权重线性组合求解，寻找最优权向量即找出线性组合系数ak，使得组合权重与初始权重的偏差最小，保证从整体上各权重均衡一致。
[0172]
[0173] 式中，ak最优权重组合系数。对上式求导可得：
[0174]
[0175] 将主客观权重代入上式求解矩阵方程可得出组合权重系数ak。
[0176]
[0177] uj是第j个指标的综合权重，a1主观权重系数，a2客观权重系数，当k＝1时，u11主观权重集合，当k＝2时，表示u21客观权重集合。
[0178] 步骤3：建立组件式移动充放电设施性能评估模型；
[0179] (1)数据预处理；
[0180] 组件式移动充放电设施性能评估的指标较多且量纲不同，无法直接使用初始值对其进行综合评价。因此可以计算指标的劣化度将初始数据归一化到(0—1)之间，既能够表征监测指标的健康状况，又能简便后续计算。性能评估指标分为定性指标和定量指标，其指标劣化度计算过程如下：
[0181] 1)定性指标；
[0182] 定性指标无法直接测量得到，需要相关运维人员根据经验给出指标评分，评分越低表明指标的健康度越低，性能越差。具体指标如：绝缘性能、输入过压保护、输出短路保护和防孤岛保护等。1)按规定要求能够正常动作得分值85分；2)保护动作时间略有延迟得分为75分；3)故障发生后不能动作得分为55分。
[0183] 2)定量指标；
[0184] 根据NB/T 33021‑2015电动汽车非车载充放电装置技术条件确定指标的阈值，然后建立指标测量值(a)与评分(x)之间的线性函数(当评分大于100时取值为100，负数时取值为0)：
[0185] 稳压精度：x＝‑40|a|+100
[0186] 稳流精度：x＝‑20|a|+100
[0187] 输出电压误差：x＝‑40|a|+100
[0188] 输出电流误差：x＝‑20|a|+100
[0189] 纹波系数：x＝‑40|a|+100
[0190] 效率：充电x1＝|2.5a|‑140，放电x2＝|2.5a|‑127.5
[0191] 电流总谐波畸变率：x＝‑|5a|+110
[0192] 直流注入量：x＝‑|25a|+110
[0193] 3)指标劣化度；
[0194] 指标劣化度计算可以将评分值转换为劣化度d(x)，具体计算过程见下式：
[0195]
[0196] (2)建立评语等级和正态云模型隶属度函数；
[0197] 将组件式移动充放电设施性能状态划分为四个等级{健康，良好，劣化，故障}，综合考虑标准化方法和专家建议，确定了各健康状态等级云模型阈值范围的相对劣化度，计算各健康状态等级云模型的期望Ex和熵值En，超熵He一般取经验值0.005，具体数值如表2所示。
[0198] V＝{V1,V2,V3,V4}
[0199] 其中，V1—V4所表示的评语等级是{健康、良好、劣化、故障}。
[0200] 根据组件式移动充放电设施的健康状态评估的实际特点，构建正态分布云模型的隶属度函数。针对指标在健康状态等级边界的一定范围内可以肯定其隶属情况，此范围内隶属度不再符合传统云模型的正态分布，而是服从隶属度为1的均匀分布。因此提出改进正态分布的云模型隶属度函数，如图3所示，表达式如下：
[0201]
[0202] 其中，μr(x))表示隶属度，Ex是四个评语等级的期望值，En为熵值，He表示超熵，x表示以Ex为期望，En为方差的随机数；E'n表示以En为期望，He为方差的随机数。(x,μr(x))称为云滴，所有云滴的集合便是云模型。各个评语等级的特征值如表2所示，将其代入正向云模型生成器，生成正态云模型隶属度函数，如图2所示。
[0203] (3)组件式移动充放电设施性能评估；
[0204] 测量指标值数据预处理后求出指标劣化度d(x)见表3，将劣化度代入正态云模型隶属度函数求出对各个评语等级的隶属度(r)如表4所示，将求出的隶属度组成隶属度矩阵与综合权重相乘求出模糊评判矩阵BT，最后确定组件式移动充放电设施性能状态等级。
[0205]
[0206] 其中，R为隶属度矩阵，r11—r14别是劣化度d(x)对四个评语等级的隶属度，将指标的测量值预处理之后求出指标的劣化度，然后代入隶属度函数求出隶属度。
[0207]
[0208] 其中，BT为模糊评判矩阵，Wi是综合权重；rns是第n个指标对第s个评语等级的隶属程度；bi1，bi2……bis分别表示整体评估结果对评语等级1到评语等级s的隶属度值，wi1，wi2……win分别表示n个指标的综合权重,下角标i＝1、2或3；所述下角标i表示对应的指标属于电气性能1、保护性能2或设备到场安装参数3。
[0209] 将隶属度矩阵和综合权重相乘，求出模糊评判矩阵。按照最大隶属度原则从模糊评判矩阵中选取最大值所处的评语等级作为评价结果。将充放电设施的运行数据代入到评估模型中去，求出电气性能模糊综合评判矩阵B1＝[0.32,0.22,0.33,0.13]，安全性能B2＝[0.2,0.762,0.038,0]，设备到场安装性能B3＝[0.56,0.43,0.01,0]。按照最大隶属度原则可知该组件式移动充放电设施电气性能是劣化状态、安全性能是良好状态、设备到场安装性能是健康状态。该方法直观展示电气性能、安全性能和设备到场安装性能的状态，能够提高运维的效率。
[0210] 虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其它所述实施例中。
