康 佳，王薇蓉，李 昂

(1.國網(wǎng)電動汽車(山西)服務有限公司，山西 太原 030000； 2.國網(wǎng)山西省電力公司營銷服務中心，山西 太原 030000; 3.安徽繼遠軟件有限公司，安徽 合肥 230001)

近年來，中國加大了對汽車充電基礎設施建設的支持力度。充電基礎設施建設補貼的發(fā)放，極大地激發(fā)了大、小企業(yè)的建設熱情。預計到2020年底，中國將建成一個中等先進、智能高效的電動汽車充電基礎設施系統(tǒng)，可滿足500多萬輛電動汽車的充電需求。根據(jù)相關機構發(fā)布的數(shù)據(jù)，盡管中國新能源汽車數(shù)量不斷增長，充電需求不斷增加，充電樁數(shù)量達到新高，但盈利困難是充電樁行業(yè)無法解決的問題。在此背景下，如何結合電動汽車充電設施企業(yè)的實際運營維護狀況，優(yōu)化其運營維護模式，從而降低成本，提高效率，實現(xiàn)企業(yè)盈利，是迫切需要研究的課題。這不僅有利于電動汽車充電設施企業(yè)的生存和發(fā)展，而且對促進新能源汽車的生產(chǎn)和銷售起到積極作用，最終將促進當前新能源產(chǎn)業(yè)的健康可持續(xù)發(fā)展。

針對電動汽車充電設施智能化運維提升，文獻[1]研究了一種基于北斗技術的穩(wěn)定性高、安全性強的充電設施通信的解決方法；文獻[2]研究并開發(fā)了一種用于電動汽車充電設施運維檢修工作的手持終端；文獻[3]提出了一種電動汽車充電軟件與智能遠程管理相結合的運維新模式；文獻[4]對基于互聯(lián)網(wǎng)+的充電站配電設備的在線監(jiān)測展開了研究。

本文利用基于網(wǎng)格密度的聚類算法，從充電樁數(shù)量、站充電量、充電次數(shù)、平均充電量和平均充電次數(shù)5個維度來對充電樁進行聚類分析，從而給出充電樁優(yōu)化運維方法。

1 聚類分析法

1.1 簡介

聚類是根據(jù)某些特征或規(guī)律對事物進行的無監(jiān)督分類，它是數(shù)據(jù)挖掘的基本、簡單和實用的模式之一。當使用聚類方法進行分析時，結果會生成不同的分組，分組之間的聚類結果差異將盡可能大，相同分組之間的差異將盡可能小。

聚類分析不同于通常接觸的分類。分類是一種數(shù)據(jù)分析方法，它預先知道對象組中包括哪些類別，并且在分析過程中只需要指出每個對象的類別。分類分析不是動態(tài)的，在具體分析過程中，不需要考慮其他對象的變化對對象分類的影響。用戶只需預先設置要劃分的對象類別和類別數(shù)，然后根據(jù)每個類別的特征對對象進行分類。聚類是一種數(shù)據(jù)分析方法，它不預先知道要劃分哪些類別的對象，而是以對象之間某些屬性的相似性作為劃分標準。聚類分析算法主要包括劃分聚類算法、層次聚類算法、基于網(wǎng)格密度的聚類算法(DGCA)、基于網(wǎng)格的聚類算法和基于模型的聚類算法5種，本文采用基于網(wǎng)格密度的聚類算法[5]。

1.2 基于網(wǎng)格密度的聚類算法

(1)節(jié)點集。網(wǎng)格單元中節(jié)點之間的接近度由節(jié)點之間的距離計算，節(jié)點之間的相似性越大，它們就越相似。也就是說，當對這些網(wǎng)格單元中的節(jié)點進行聚類時，它們越有可能屬于同一類。

設P=(U，K)，其中P為n條記錄的集合，定義網(wǎng)格單元內(nèi)的節(jié)點集為U=(U1，U2，…，Un)，再定義網(wǎng)格單元內(nèi)節(jié)點的屬性為K=(K1，K2，…，Kr)。

其中，r為節(jié)點屬性個數(shù)，用Km表示單個節(jié)點i的第m個屬性，表示為(ki1，ki2，…，kir)。設任意2個節(jié)點Ui和Uj之間的相異值為：

(1)

再設任意2個節(jié)點Ui和Uj之間的相近值為：

(2)

(2)邊緣節(jié)點判斷。在傳統(tǒng)的網(wǎng)格聚類算法中，低密度單元與高密度單元相鄰的節(jié)點作為離群點或噪聲數(shù)據(jù)被丟棄，這將丟失一些有用的邊緣節(jié)點。為提高聚類的精度，在基于網(wǎng)格密度的聚類算法中引入邊緣節(jié)點判斷函數(shù)minf(i)，其定義如下：

(3)

再定義邊緣節(jié)點函數(shù)為：

(4)

式中，h為高密度單元中節(jié)點個數(shù)。

1.3 算法流程

DGCA聚類算法的基本思想：①將所有節(jié)點集U映射到數(shù)據(jù)空間中相應的網(wǎng)格單元。②根據(jù)用戶輸入的密度測試值，判斷每個網(wǎng)格單元是低密度還是高密度網(wǎng)格單元。如果是高密度網(wǎng)格單元，則使用minf(i)判斷每個節(jié)點是否為高密度網(wǎng)格的邊緣節(jié)點。如果是，則提取邊緣節(jié)點，如果不是，則將該節(jié)點視為孤立點或噪聲數(shù)據(jù)。③根據(jù)用戶輸入的相似測試值，采用相似值方法對剔除離群值或噪聲數(shù)據(jù)后的節(jié)點進行聚類，即如果任意2個節(jié)點的相似值大于或等于給定的測試值，則將2個數(shù)據(jù)對象視為同一類中的數(shù)據(jù)。

DGCA算法如下：①根據(jù)用戶輸入的Z值將整個數(shù)據(jù)空間X劃分成Zr個網(wǎng)格單元。②將節(jié)點集U映射到網(wǎng)格單元中。③逐一掃描每個網(wǎng)格單元，并記錄每個網(wǎng)格單元中的節(jié)點個數(shù)。④根據(jù)密度閾值將網(wǎng)格單元分為高密度單元和低密度單元。⑤分析每個高密度單元，如果其相鄰網(wǎng)格單元有低密度的，利用邊緣節(jié)點判斷函數(shù)提取有用的邊緣節(jié)點，低密度單元中剩余的節(jié)點作為孤立點或噪聲數(shù)據(jù)丟棄。⑥分析高密度單元中的任意2個節(jié)點，如果其相似值大于給定的值，則將這兩個對象歸于一類[6]。

2 基于聚類分析法的充電樁分類

本文以S市的現(xiàn)有84座電動汽車充電樁為研究對象，依據(jù)實際運維經(jīng)驗從站充電樁數(shù)量、站充電量、站充電次數(shù)、單樁平均充電量、單樁平均充電次數(shù)5個維度進行分析，利用DGCA聚類算法分析研究，結分析見表1。聚類頻次分析如圖1所示。

表1 聚類結果分析Tab.1 Analysis of clustering results

圖1 聚類頻次分析Fig.1 Cluster frequency analysis

從以上結果可以看出，P1類充電站的充電容量和充電次數(shù)是3類中最高的，但充電站的樁數(shù)并不是最大的，說明該類充電站的使用頻率和利用率均較高。P2類充電站充電容量大，充電次數(shù)多，但站內(nèi)充電樁較多，屬于大型充電站，單樁利用率低。即使個別充電樁出現(xiàn)故障，也不會因為站內(nèi)有大量充電樁而影響電動汽車用戶的使用。P3類中，充電站的充電容量和充電次數(shù)是3類中最低的，充電樁數(shù)量也是最低的，說明該站屬于小型充電站，使用頻率較低。對于5個考量維度，對應重要性占比如圖2所示。

圖2 考量維度重要性占比Fig.2 Proportion of importance of dimensions to be considered

從圖2可以看出，5個維度對聚類結果的貢獻幾乎沒有差異，并且沒有某個項目的貢獻特別低的情況，這表明5個維度的選擇是科學和實用的。此外，還對每個聚類結果中的充電樁站點的充電利用率和報修工單數(shù)量進行統(tǒng)計，結果見表2。

表2 充電利用率和報修工單數(shù)量進統(tǒng)計Tab.2 Statistics of charging utilization rate and repair order quantity

由表2可知，P1類站點的充電利用率最高，但報修工單數(shù)量也是最高的，而P3類站點的充電利用率最低，但報修工單數(shù)量也是最低的，P2類站點則居中。

3 充電樁運維優(yōu)化

在保證電動汽車用戶充電體驗的前提下，對S市的充電站進行分級管理，按運營情況進行分類，對運營良好的充電站生成的平臺維修單按現(xiàn)行標準進行運營維護，而運營不佳的充電站生成的平臺維修訂單，則按照較低的標準進行運營維護，既不會影響電動汽車用戶的使用，又能節(jié)約人力和物力成本，使運營維護企業(yè)能夠盈利生存。

根據(jù)以上聚類分析，S市81個電動汽車充電樁站的分類結果實行三級運維管理，改變現(xiàn)有所有充電站運維標準相同的模式。

P1站(16)是指充電容量大、單樁利用率高的充電站，這些站點屬于關鍵操作和維護對象。采用運維人員到達充電樁故障現(xiàn)場不超過30 min，故障處理完成時間不超過2 h的運維標準。

P2站(12)是指充電容量大、單樁利用率低的充電站。一般來說，站內(nèi)有大量充電樁，單個充電樁的故障不會影響電動汽車用戶的使用。它們屬于一般操作和維護對象。運行維護標準為運行維護人員到達故障現(xiàn)場不超過45 min，故障處理不超過3 h。

P3類站(56)是指地址偏遠、充電次數(shù)少、充電樁利用率低的充電站。這些車站屬于計劃運行維護對象，采用運行維護人員可選擇運行維護標準，并與相鄰時間的巡檢任務相結合。

采用上述分析的三級分類運維標準后，將降低實際運維壓力，降低運維人員成本、車輛維護成本和時間成本，從而降低了運維企業(yè)的運維成本。

4 結論

在政策和市場的雙重推動下，充電樁近年來發(fā)展迅速。盡管根據(jù)相關機構發(fā)布的數(shù)據(jù)，中國新能源汽車數(shù)量不斷增長，充電需求不斷增加，充電樁數(shù)量達到新高。在此背景下，研究如何結合電動汽車充電設施企業(yè)的實際運營維護狀況，優(yōu)化其運營維護模式，從而降低成本，提高效率，使企業(yè)盈利，顯得尤為重要。本文利用基于網(wǎng)格密度的聚類算法，從充電樁數(shù)量、站充電量、充電次數(shù)、平均充電量和平均充電次數(shù)5個維度來對充電樁進行分析聚類，從而給出充電樁優(yōu)化運維方法。最后的實例證明了本模型的實用性。