康 佳，王薇蓉，李 昂

(1.國(guó)網(wǎng)電動(dòng)汽車(chē)(山西)服務(wù)有限公司，山西 太原 030000； 2.國(guó)網(wǎng)山西省電力公司營(yíng)銷(xiāo)服務(wù)中心，山西 太原 030000; 3.安徽繼遠(yuǎn)軟件有限公司，安徽 合肥 230001)

近年來(lái)，中國(guó)加大了對(duì)汽車(chē)充電基礎(chǔ)設(shè)施建設(shè)的支持力度。充電基礎(chǔ)設(shè)施建設(shè)補(bǔ)貼的發(fā)放，極大地激發(fā)了大、小企業(yè)的建設(shè)熱情。預(yù)計(jì)到2020年底，中國(guó)將建成一個(gè)中等先進(jìn)、智能高效的電動(dòng)汽車(chē)充電基礎(chǔ)設(shè)施系統(tǒng)，可滿足500多萬(wàn)輛電動(dòng)汽車(chē)的充電需求。根據(jù)相關(guān)機(jī)構(gòu)發(fā)布的數(shù)據(jù)，盡管中國(guó)新能源汽車(chē)數(shù)量不斷增長(zhǎng)，充電需求不斷增加，充電樁數(shù)量達(dá)到新高，但盈利困難是充電樁行業(yè)無(wú)法解決的問(wèn)題。在此背景下，如何結(jié)合電動(dòng)汽車(chē)充電設(shè)施企業(yè)的實(shí)際運(yùn)營(yíng)維護(hù)狀況，優(yōu)化其運(yùn)營(yíng)維護(hù)模式，從而降低成本，提高效率，實(shí)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(dòng)汽車(chē)充電設(shè)施企業(yè)的生存和發(fā)展，而且對(duì)促進(jìn)新能源汽車(chē)的生產(chǎn)和銷(xiāo)售起到積極作用，最終將促進(jìn)當(dāng)前新能源產(chǎn)業(yè)的健康可持續(xù)發(fā)展。

針對(duì)電動(dòng)汽車(chē)充電設(shè)施智能化運(yùn)維提升，文獻(xiàn)[1]研究了一種基于北斗技術(shù)的穩(wěn)定性高、安全性強(qiáng)的充電設(shè)施通信的解決方法；文獻(xiàn)[2]研究并開(kāi)發(fā)了一種用于電動(dòng)汽車(chē)充電設(shè)施運(yùn)維檢修工作的手持終端；文獻(xiàn)[3]提出了一種電動(dòng)汽車(chē)充電軟件與智能遠(yuǎn)程管理相結(jié)合的運(yùn)維新模式；文獻(xiàn)[4]對(duì)基于互聯(lián)網(wǎng)+的充電站配電設(shè)備的在線監(jiān)測(cè)展開(kāi)了研究。

本文利用基于網(wǎng)格密度的聚類(lèi)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(gè)維度來(lái)對(duì)充電樁進(jìn)行聚類(lèi)分析，從而給出充電樁優(yōu)化運(yùn)維方法。

1 聚類(lèi)分析法

1.1 簡(jiǎn)介

聚類(lèi)是根據(jù)某些特征或規(guī)律對(duì)事物進(jìn)行的無(wú)監(jiān)督分類(lèi)，它是數(shù)據(jù)挖掘的基本、簡(jiǎn)單和實(shí)用的模式之一。當(dāng)使用聚類(lèi)方法進(jìn)行分析時(shí)，結(jié)果會(huì)生成不同的分組，分組之間的聚類(lèi)結(jié)果差異將盡可能大，相同分組之間的差異將盡可能小。

聚類(lèi)分析不同于通常接觸的分類(lèi)。分類(lèi)是一種數(shù)據(jù)分析方法，它預(yù)先知道對(duì)象組中包括哪些類(lèi)別，并且在分析過(guò)程中只需要指出每個(gè)對(duì)象的類(lèi)別。分類(lèi)分析不是動(dòng)態(tài)的，在具體分析過(guò)程中，不需要考慮其他對(duì)象的變化對(duì)對(duì)象分類(lèi)的影響。用戶只需預(yù)先設(shè)置要?jiǎng)澐值膶?duì)象類(lèi)別和類(lèi)別數(shù)，然后根據(jù)每個(gè)類(lèi)別的特征對(duì)對(duì)象進(jìn)行分類(lèi)。聚類(lèi)是一種數(shù)據(jù)分析方法，它不預(yù)先知道要?jiǎng)澐帜男╊?lèi)別的對(duì)象，而是以對(duì)象之間某些屬性的相似性作為劃分標(biāo)準(zhǔn)。聚類(lèi)分析算法主要包括劃分聚類(lèi)算法、層次聚類(lèi)算法、基于網(wǎng)格密度的聚類(lèi)算法(DGCA)、基于網(wǎng)格的聚類(lèi)算法和基于模型的聚類(lèi)算法5種，本文采用基于網(wǎng)格密度的聚類(lèi)算法[5]。

1.2 基于網(wǎng)格密度的聚類(lèi)算法

(1)節(jié)點(diǎn)集。網(wǎng)格單元中節(jié)點(diǎn)之間的接近度由節(jié)點(diǎn)之間的距離計(jì)算，節(jié)點(diǎn)之間的相似性越大，它們就越相似。也就是說(shuō)，當(dāng)對(duì)這些網(wǎng)格單元中的節(jié)點(diǎn)進(jìn)行聚類(lèi)時(shí)，它們?cè)接锌赡軐儆谕活?lèi)。

設(shè)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(diǎn)集為U=(U1，U2，…，Un)，再定義網(wǎng)格單元內(nèi)節(jié)點(diǎn)的屬性為K=(K1，K2，…，Kr)。

其中，r為節(jié)點(diǎn)屬性個(gè)數(shù)，用Km表示單個(gè)節(jié)點(diǎn)i的第m個(gè)屬性，表示為(ki1，ki2，…，kir)。設(shè)任意2個(gè)節(jié)點(diǎn)Ui和Uj之間的相異值為：

(1)

再設(shè)任意2個(gè)節(jié)點(diǎn)Ui和Uj之間的相近值為：

(2)

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

(3)

再定義邊緣節(jié)點(diǎn)函數(shù)為：

(4)

式中，h為高密度單元中節(jié)點(diǎn)個(gè)數(shù)。

1.3 算法流程

DGCA聚類(lèi)算法的基本思想：①將所有節(jié)點(diǎn)集U映射到數(shù)據(jù)空間中相應(yīng)的網(wǎng)格單元。②根據(jù)用戶輸入的密度測(cè)試值，判斷每個(gè)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(gè)節(jié)點(diǎn)是否為高密度網(wǎng)格的邊緣節(jié)點(diǎn)。如果是，則提取邊緣節(jié)點(diǎn)，如果不是，則將該節(jié)點(diǎn)視為孤立點(diǎn)或噪聲數(shù)據(jù)。③根據(jù)用戶輸入的相似測(cè)試值，采用相似值方法對(duì)剔除離群值或噪聲數(shù)據(jù)后的節(jié)點(diǎn)進(jìn)行聚類(lèi)，即如果任意2個(gè)節(jié)點(diǎn)的相似值大于或等于給定的測(cè)試值，則將2個(gè)數(shù)據(jù)對(duì)象視為同一類(lèi)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(gè)數(shù)據(jù)空間X劃分成Zr個(gè)網(wǎng)格單元。②將節(jié)點(diǎn)集U映射到網(wǎng)格單元中。③逐一掃描每個(gè)網(wǎng)格單元，并記錄每個(gè)網(wǎng)格單元中的節(jié)點(diǎn)個(gè)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(gè)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(diǎn)判斷函數(shù)提取有用的邊緣節(jié)點(diǎn)，低密度單元中剩余的節(jié)點(diǎn)作為孤立點(diǎn)或噪聲數(shù)據(jù)丟棄。⑥分析高密度單元中的任意2個(gè)節(jié)點(diǎn)，如果其相似值大于給定的值，則將這兩個(gè)對(duì)象歸于一類(lèi)[6]。

2 基于聚類(lèi)分析法的充電樁分類(lèi)

本文以S市的現(xiàn)有84座電動(dòng)汽車(chē)充電樁為研究對(duì)象，依據(jù)實(shí)際運(yùn)維經(jīng)驗(yàn)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(gè)維度進(jìn)行分析，利用DGCA聚類(lèi)算法分析研究，結(jié)分析見(jiàn)表1。聚類(lèi)頻次分析如圖1所示。

表1 聚類(lèi)結(jié)果分析Tab.1 Analysis of clustering results

圖1 聚類(lèi)頻次分析Fig.1 Cluster frequency analysis

從以上結(jié)果可以看出，P1類(lèi)充電站的充電容量和充電次數(shù)是3類(lèi)中最高的，但充電站的樁數(shù)并不是最大的，說(shuō)明該類(lèi)充電站的使用頻率和利用率均較高。P2類(lèi)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(gè)別充電樁出現(xiàn)故障，也不會(huì)因?yàn)檎緝?nèi)有大量充電樁而影響電動(dòng)汽車(chē)用戶的使用。P3類(lèi)中，充電站的充電容量和充電次數(shù)是3類(lèi)中最低的，充電樁數(shù)量也是最低的，說(shuō)明該站屬于小型充電站，使用頻率較低。對(duì)于5個(gè)考量維度，對(duì)應(yīng)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(gè)維度對(duì)聚類(lèi)結(jié)果的貢獻(xiàn)幾乎沒(méi)有差異，并且沒(méi)有某個(gè)項(xiàng)目的貢獻(xiàn)特別低的情況，這表明5個(gè)維度的選擇是科學(xué)和實(shí)用的。此外，還對(duì)每個(gè)聚類(lèi)結(jié)果中的充電樁站點(diǎn)的充電利用率和報(bào)修工單數(shù)量進(jìn)行統(tǒng)計(jì)，結(jié)果見(jiàn)表2。

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

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

3 充電樁運(yùn)維優(yōu)化

在保證電動(dòng)汽車(chē)用戶充電體驗(yàn)的前提下，對(duì)S市的充電站進(jìn)行分級(jí)管理，按運(yùn)營(yíng)情況進(jìn)行分類(lèi)，對(duì)運(yùn)營(yíng)良好的充電站生成的平臺(tái)維修單按現(xiàn)行標(biāo)準(zhǔn)進(jìn)行運(yùn)營(yíng)維護(hù)，而運(yùn)營(yíng)不佳的充電站生成的平臺(tái)維修訂單，則按照較低的標(biāo)準(zhǔn)進(jìn)行運(yùn)營(yíng)維護(hù)，既不會(huì)影響電動(dòng)汽車(chē)用戶的使用，又能節(jié)約人力和物力成本，使運(yùn)營(yíng)維護(hù)企業(yè)能夠盈利生存。

根據(jù)以上聚類(lèi)分析，S市81個(gè)電動(dòng)汽車(chē)充電樁站的分類(lèi)結(jié)果實(shí)行三級(jí)運(yùn)維管理，改變現(xiàn)有所有充電站運(yùn)維標(biāo)準(zhǔn)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(diǎn)屬于關(guān)鍵操作和維護(hù)對(duì)象。采用運(yùn)維人員到達(dá)充電樁故障現(xiàn)場(chǎng)不超過(guò)30 min，故障處理完成時(shí)間不超過(guò)2 h的運(yùn)維標(biāo)準(zhǔn)。

P2站(12)是指充電容量大、單樁利用率低的充電站。一般來(lái)說(shuō)，站內(nèi)有大量充電樁，單個(gè)充電樁的故障不會(huì)影響電動(dòng)汽車(chē)用戶的使用。它們屬于一般操作和維護(hù)對(duì)象。運(yùn)行維護(hù)標(biāo)準(zhǔn)為運(yùn)行維護(hù)人員到達(dá)故障現(xiàn)場(chǎng)不超過(guò)45 min，故障處理不超過(guò)3 h。

P3類(lèi)站(56)是指地址偏遠(yuǎn)、充電次數(shù)少、充電樁利用率低的充電站。這些車(chē)站屬于計(jì)劃運(yùn)行維護(hù)對(duì)象，采用運(yùn)行維護(hù)人員可選擇運(yùn)行維護(hù)標(biāo)準(zhǔn)，并與相鄰時(shí)間的巡檢任務(wù)相結(jié)合。

采用上述分析的三級(jí)分類(lèi)運(yùn)維標(biāo)準(zhǔn)后，將降低實(shí)際運(yùn)維壓力，降低運(yùn)維人員成本、車(chē)輛維護(hù)成本和時(shí)間成本，從而降低了運(yùn)維企業(yè)的運(yùn)維成本。

4 結(jié)論

在政策和市場(chǎng)的雙重推動(dòng)下，充電樁近年來(lái)發(fā)展迅速。盡管根據(jù)相關(guān)機(jī)構(gòu)發(fā)布的數(shù)據(jù)，中國(guó)新能源汽車(chē)數(shù)量不斷增長(zhǎng)，充電需求不斷增加，充電樁數(shù)量達(dá)到新高。在此背景下，研究如何結(jié)合電動(dòng)汽車(chē)充電設(shè)施企業(yè)的實(shí)際運(yùn)營(yíng)維護(hù)狀況，優(yōu)化其運(yùn)營(yíng)維護(hù)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(lèi)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(gè)維度來(lái)對(duì)充電樁進(jìn)行分析聚類(lèi)，從而給出充電樁優(yōu)化運(yùn)維方法。最后的實(shí)例證明了本模型的實(shí)用性。