本发明涉及一种计及输电阻塞的电动汽车用户充电选择辅助决策方法。
背景技术：
随着电动汽车的使用量日渐加大，大规模的电动汽车充电会对电力系统的 稳定运行与规划产生很大的影响，尤其在用户大量选择快充方式时，不同于扩 散式和低功耗的住宅充电，这种充电方式更适合于需要大量耗能且长途行驶的 车辆，由于需要特定的充电设施，主要发生在固定的商业充电站，从而造成充 电站负荷的集中化和规模化。
电动汽车充电选择是一个随机动态的问题，在时间和空间上存在不确定性， 且用户会根据自己的行为偏好以及不同的环境情况做出不同的决策，使得电动 汽车负荷具有较大的随机性，影响配电网负荷平衡。因此，有必要研究新的充 电选择决策方法，在平衡可再生能源造成的输电阻塞问题的同时减轻电动汽车 充电对电网的影响。迄今为止，国内外学者已对电动汽车充电选择进行开拓性 的研究。张学清、梁军、张利等发表的名称为计及风光电源的一种地区电网电 动汽车充电调度方法的文献中，提出了一种计及风电和光伏出力不确定性的电 网电动汽车充电调度方法，以减小负荷峰谷差和购电成本。严弈遥、罗禹贡、 朱陶等发表的名称为融合电网和交通网信息的电动车辆最优充电路径推荐策略 的文献中，提出了基于实时电力系统状态和实时交通数据的电动汽车快速充电 导航策略。苏海锋、梁志瑞发表的名称为基于峰谷电价的家用电动汽车居民小 区有序充电控制方法的文献中，通过统筹电网和用户的双方利益，制定最优分 时电价来引导电动汽车充电行为。苏舒、孙近文、林湘宁、李咸善发表的名称 为电动汽车智能充电导航的文献中，提出了一种基于实时电价的充电导航策略 调控电动汽车在各充电站的分布，以改善配电网的电压质量。以上文献从不同 的角度对电动汽车用户充电选择进行优化，所得结论具有丰富的工程参考价值。 但是上述文献主要考虑的是如何调整随机负荷从而改善电网的电能质量，很少 考虑配电网的阻塞问题。而且，当前电动汽车的使用性能与传统汽车相比仍有 较大的差距，包括续驶里程受限、充电时间长、充电桩数量太少等因素始终困 扰着电动汽车用户，易使电动汽车用户产生“续驶里程焦虑”问题。
技术实现要素：
为了解决上述技术问题，本发明提供一种可行性高的计及输电阻塞的电动 汽车用户充电选择辅助决策方法。
本发明解决上述问题的技术方案是：一种计及输电阻塞的电动汽车用户充 电选择辅助决策方法，包括以下步骤：
步骤一：判断电动汽车是否有充电需求，若有，则选出备选充电站集，进 入步骤二；
步骤二：采集和分析电动汽车所在位置到各备选充电站的交通路线的路况 信息；
步骤三：分析和计算电动汽车到达各备选充电站后的充电时间；
步骤四：根据配电网的阻塞情况，通过潮流计算功率灵敏度，为各备选充 电站制定相应的电价；
步骤五：结合路况信息、充电时间以及备选充电站的电价，运用层次分析 法、熵权法和逼近理想解排序法建立充电选择综合评判指标体系，完成电动汽 车用户充电的最优选择。
上述计及输电阻塞的电动汽车用户充电选择辅助决策方法，所述步骤一中： 当电动汽车的剩余电量SOC低于用户习惯开始充电的剩余电量阈值S或者剩余 电量SOC无法到达目的地时，充电需求被触发，电动汽车车主将选择到周边的 充电站充电；
其中当电动汽车的剩余电量SOC低于用户习惯开始充电的剩余电量阈值S 的情况如下：
式中C＝1代表需要充电，C＝0代表不需要充电；
对于阈值S，由每个车主的充电习惯和偏好决定，由电动汽车终端设备记录 的历史充电数据统计得出；
剩余电量SOC无法到达目的地时的情况如下：
计算剩余电量SOC的可行驶里程Dr：
式中，η为每公里平均能耗，SOC为电动汽车的剩余电量，当剩余电量不 足以支撑车辆到达目的地时，触发充电需求规则，然后根据电动汽车当前位置 计算出Dr范围内的所有充电站，作为备选充电站集。
上述计及输电阻塞的电动汽车用户充电选择辅助决策方法，所述步骤二中： 交通路线的路况信息从路段长度和车流量两个方面来考虑；
路段长度：对有充电需求的电动汽车，通过智能交通系统和车载导航系统 计算出其剩余里程范围内的充电站位置，按电动汽车与充电站距离从小到大排 列；
车流量：按照车流量大小将各交通道路的交通状况划分为畅通、缓行和拥 堵三种情况；
这三种交通状况分别赋予一定数值作为交通状况决定因素f，路径距离通过 乘以一个交通状况决定因素f完成修订工作；
式中，r为路径u的便利系数，r＝100·tumuhl/ttotal，tu为路径u的车流量，ttotal为所有路径的车流量和，mu为与网路节点u相连的道路数量，l为道路宽度等级； h为其他影响系数，包括道路长度、车速限制折算后的综合系数；两个阈值分别 为0.4和0.8，当r≥0.8定义为路径畅通，0.4≤r<0.8定义为路径缓行，0≤r<0.4 定义为路径拥堵，考虑交通状况的路径距离表示为：
Su＝Suu·f
Su表示考虑交通状况后路径u的路径距离，Suu表示路径u的实际路径距离。
上述计及输电阻塞的电动汽车用户充电选择辅助决策方法，所述步骤三中： 充电时间从电动汽车的充电时间和电动汽车的排队等候时间两方面计算；电动 汽车充电站监管系统实时检测充电桩的使用情况和排队序列中的电动汽车数 量，并以此得到电动汽车充电排队时间Tp估计值，快充模式下的充电功率ηf由 充电桩管理系统大数据得出，SOC值由电动汽车管理系统读取；
充电时间T包括充电排队时间、充电持续时间，其表达式如下：
T＝Tc+Tp
式中Tc为电动汽车在快充模式下的充电持续时间，Tp为电动汽车在充电站 的排队时间，充电持续时间表达式为：
式中Af为快充模式时的充电持续时间修正系数。
上述计及输电阻塞的电动汽车用户充电选择辅助决策方法，所述步骤四具 体步骤为：
4-1)对配电网的线路潮流作出短期预测，针对其电压、功率越限情况选择 严重度最高的过载支路进行灵敏度计算；
4-2)根据交流潮流算法得出负荷点注入有功对支路有功变化的灵敏度矩 阵，制定最优补偿方案；
4-3)根据最优补偿方案动态制定面向用户的浮动电价，引导电动汽车群充 电。
上述计及输电阻塞的电动汽车用户充电选择辅助决策方法，所述步骤4-1) 中，支路pq的过载严重度Dpq的计算公式为：
式中，n为总节点数，Lpq为支路pq的有功功率，Lpqmax为该支路能承受的 最大有功功率；
设越限严重度最高支路为ij，越限严重度最高支路ij的功率对节点k注入 功率的灵敏度为Sk，k为负荷节点标号k＝{1,2，…i…j…n}：
其中，由下式得出：
式中，Gij和Bij分别为线路ij的电导和电纳，Pk为节点k的注入功率，Vi和Vj分别为节点i、j的电压幅值，δi和δj分别为节点i、j的相角，δij＝δi-δj， 根据上式得到
上述计及输电阻塞的电动汽车用户充电选择辅助决策方法，所述步骤4-2) 中，对牛顿拉夫逊法的迭代方程求逆矩阵得：
式中，Δδ为电压相角偏差量，ΔV为电压幅值偏差量，ΔP为节点有功控制 量，ΔQ为节点无功控制量，此处，JB1JB2JB3JB4为潮流计算的雅克比矩阵元 素，充电站的节点在{1,2，…i…j…n}中选取，共选取MN个，MN即为充电站 数目，令充电站所在节点mi应补偿的最优控制量为ΔPmi，充电站所在节点mi 应补偿的最终控制量为ΔPRmi，所有充电站的总控制量为MN个充电站节点的最 终控制量之和；
ΔPRmi＝Smi·ΔPmi
节点mi应补偿的最终控制量为ΔPRmi，节点mj应补偿的最优控制量为ΔPmj。 Smi、Smj分别为越限严重度最高支路ij的功率对节点mi和mj的灵敏度，mi， mj∈{1…i…j…n}。
上述计及输电阻塞的电动汽车用户充电选择辅助决策方法，所述步骤4-3) 中：根据电价定价机制，设充电站的电价信息Cf表达式如下：
Cf＝Cb+Cd
式中Cb为运营中充电站分时电价；Cd为引导削峰填谷制定的引导电价， Cd的制定从充电站所在节点负荷的相对水平g和绝对水平e两个要素考虑；
充电站所在节点mi负荷的相对水平g的表达式如下：
Ez表示加入充电站节点mi的第z辆车的负荷量，x为常数，nn表示加入 该充电站节点的车辆总数，当g>0，表示该充电站节点的负荷超过其最优补偿 负荷量，g作为惩罚因子在引导电价上增加，当g<0时，表示该充电站节点的 负荷低于最优补偿负荷，g作为奖励因子在引导电价上扣除；
充电站所在节点负荷的绝对水平e表达式如下：
当e>0，表示该充电站节点的功率灵敏度为正，负荷量相对较高，e作为 惩罚因子在浮动电价上增加，以降低该点的负荷需求，完成功率负补偿使支路 功率趋于稳定，且功率灵敏度与功率负补偿呈正相关；当e<0，表示该充电站 节点的功率灵敏度为负，负荷量相对较低，e作为奖励因子在浮动电价上扣除， 通过增加负荷需求完成功率正补偿，此处功率灵敏度与功率正补偿呈负相关；
引导电价Cd的计算公式为：
Cd＝(α·g+β·e)·Cr
其中α、β为价格调控因子，用于反映g，e的权重，Cr为补偿价格。
上述计及输电阻塞的电动汽车用户充电选择辅助决策方法，所述步骤五具 体步骤为：
5-1)构造判断矩阵：根据问卷调查和历史案例数据对三个指标偏好程度不 同，依据两两比较的标度和判断原理，采用二元对比法对同层次的相关指标进 行比较赋值，得到判断矩阵，具体过程为：根据问卷调查和历史案例数据对三 个指标偏好程度不同进行确定，将3个指标点进行两两作比，两个因素相比， 具有相同重要性，标度1；前者比后者稍重要，标度3；前者比后者明显重要， 标度5；2,4为相邻判断的中间值；若因素ii和因素jj的重要性比为aiijj，则因 素jj与因素ii比则为1/aiijj；将因素I、J两两作比获得的值aIJ填入到矩阵的 相应行列的位置，I＝1,2,3；J＝1,2,3，即a11填入到矩阵的第1行第1列，依次类 推，则构造了判断矩阵，判断矩阵对角线上都是1，因为是自己和自己比；此 处相当于路况信息，充电时间、电价标号分别为1、2、3，a12则为路况信息相 比于充电时间的重要性；判断矩阵为：
5-2)计算属性权重并进行一致性检验：采用方根求解法，对判断矩阵每一 列向量归一化，求出对应的特征向量并对W归一化，即可得到各因素的权 重，并进行一致性检验，判断计算出的权重是否分配合理，得到的检验系数CR， 如果CR<0.1，则认为该判断矩阵通过一致性检验，否则就不具有一致性；具体 表达式如下：
式中aIJ为因素I与因素J重要性的比较结果，为归一化后的判断矩阵，为矩阵中的元素，WI为权重向量，λmax为最大特征值，CR为判断矩阵一致性 比例；RI为固定值，通过查表获得，N为元素个数；
5-3)熵权法修正权重：AIIJJ为充电站属性指标矩阵，对各个充电站的指标 数据进行标准化处理，记为xIIJJ，并计算第JJ项指标下第II个充电站占该指标 的比重，记为pIIJJ，其次，计算第JJ项指标的熵值，记为eJJ，最后计算样本的 综合权重，记为OII；
5-4)加权规范化决策矩阵：求得规范化的决策矩阵Z，Z＝{zIIJJ}；
将计算出的规范化矩阵与步骤5-2)确定的属性权重相乘，得到加权的规范 化矩阵R，此处R＝{rIIJJ}为加权规范阵，表达式如下：
R(rIIJJ)＝OII·zIIJJ
5-5)确定正理想解和负理想解：
正理想解是充电站各个属性均达到最优，即充电时间最短、电价最低且距 离最近，负理想解则与之相反，
正理想解用r+表示，负理想解用r-表示；
5-6)计算各方案到正理想解和负理想解距离：计算各备选充电站到正理想 解的距离和到负理想解距离；
5-7)计算各个充电站的综合评价指数并排序：以贴近度CC作为评价指数， 贴近度CC由大到小排列充电站的优劣次序，评价指数表达式如下：
其中CCII表示第II个充电站的贴近度，表示第II个充电站到负理想解距 离，表示第II个充电站到正理想解距离；
贴近度越大，表明该充电站方案最优，将得到的充电站排序发送给用户， 得到充电选择辅助决策结果。
本发明的有益效果在于：本发明首先判断电动汽车是否有充电需求，在有 充电需求的情况下，结合路况信息、充电时间以及电网电价，运用层次分析法、 熵权法和逼近理想解排序法建立充电选择综合评判指标体系，完成电动汽车用 户充电的最优选择。本发明为解决电动汽车充电选择问题提供有效的技术手段， 在为用户节省成本的同时，也优化了电动汽车充电负荷的分布，有利于配电网 的稳定运行。
附图说明
图1为本发明的决策流程图。
图2为本发明的车载导航系统的结构示意图。
图3为本发明的仿真过程中34配电网节点和36个网路节点组成的交通路 线拓扑结构图。
图4为在使用本方法前各个充电站的负荷图.
图5为按照本发明的负荷调整方法调整后各个充电站的负荷图.
图6为电网34节点的节点电压越限概率图.
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
配电网控制系统系统包含配电网控制中心、OpenADR服务器和客户端，配 电网与充电站接口之间采用OpenADR通信标准来实现信息交互[9]，OpenADR服 务器将负荷需求预测、光伏发电系统发出功率预测和配电网的实时测量信息反 馈到配电网，由配电网控制中心对系统进行潮流计算，并将实时电价发布到 OpenADR客户端，同时，客户端接收用户响应信息，并将充电信息即时反馈给 配电网控制中心，作为下一时段电价的制定依据。实现双方的自动化通信。
申请的整个决策过程是在电动汽车的车载导航系统中完成。车载导航系 统能够实现与交通信息服务中心和充电站控制中心之间的信息交互。导航系统 结构如图2所示，车载导航系统主要包括信息中心、中心服务器和导航终端3 个部分，信息中心负责收集实时动态交通信息、该时段配电网中心的短期负荷 预测、充电站监控系统得到的充电时间预测和来自导航客户端记录的用户的行 驶习惯以及车辆SOC信息，信息每时段更新一次。由中心服务器对各种信息进 行整合，并计算出各备选充电站当前的电价信息、充电时间以及路况信息。最 终将决策信息与结果提交给导航终端，由车主自主响应并预约排队。
如图1所示，一种计及输电阻塞的电动汽车用户充电选择辅助决策方法， 包括以下步骤：
步骤一：判断电动汽车是否有充电需求，若有，则选出备选充电站集，进 入步骤二。
针对单台电动汽车的充电决策，首先要判断电动汽车的充电需求，当电动 汽车的剩余电量SOC低于用户习惯开始充电的剩余电量阈值S或者剩余电量SOC 无法到达目的地时，充电需求被触发，电动汽车车主将选择到周边的充电站充 电；
其中当电动汽车的剩余电量SOC低于用户习惯开始充电的剩余电量阈值S 的情况如下：
式中C＝1代表需要充电，C＝0代表不需要充电；
对于阈值S，由每个车主的充电习惯和偏好决定，由电动汽车终端设备记录 的历史充电数据统计得出；服从一定的概率分布，表达如下：
PH{BB＝bbt}＝pht,t＝1,2…
0≤pht≤1
式中bbt为第t种充电习惯下，用户准备充电的SOC值，pht为第t种充电 习惯发生的概率，其和等于1。
剩余电量SOC无法到达目的地时的情况如下：
计算剩余电量SOC的可行驶里程Dr：
式中，η为每公里平均能耗，SOC为电动汽车的剩余电量，当剩余电量不 足以支撑车辆到达目的地时，触发充电需求规则，然后根据电动汽车当前位置 计算出Dr范围内的所有充电站，作为备选充电站集。
步骤二：采集和分析电动汽车所在位置到各备选充电站的交通路线的路况 信息。交通路况信息将决定车主的出行路径，进而影响电动汽车负荷的空间分 布。
交通路线的路况信息从路段长度和车流量两个方面来考虑；
路段长度：对有充电需求的电动汽车，通过智能交通系统和车载导航系统 计算出其剩余里程范围内的充电站位置，按电动汽车与充电站距离从小到大排 列；
车流量：通过云计算和大数据平台进行采集、分析和预测各交通道路在未 来车辆行驶时段的车流量情况，按照车流量大小将各交通道路的交通状况划分 为畅通、缓行和拥堵三种情况；
这三种交通状况分别赋予一定数值作为交通状况决定因素f，路径距离通过 乘以一个交通状况决定因素f完成修订工作；
式中，r为路径u的便利系数，r＝100·tumuhl/ttotal，tu为路径u的车流量，ttotal为所有路径的车流量和，mu为与网路节点u相连的道路数量，l为道路宽度等级； h为其他影响系数，包括道路长度、车速限制折算后的综合系数；两个阈值分别 为0.4和0.8，当r≥0.8定义为路径畅通，0.4≤r<0.8定义为路径缓行，0≤r<0.4 定义为路径拥堵，考虑交通状况的路径距离表示为：
Su＝Suu·f
Su表示考虑交通状况后路径u的路径距离，Suu表示路径u的实际路径距离。
考虑用户对充电站位置选择的不确定性，其表达式如下：
PF{FF＝fft}＝pft,t＝1,2…
0≤pft≤1
式中pft为第t种情况下选择ffj充电站的概率，电动汽车用户在需要充电的 情况下，备选充电站的数量是有限集，故其和等于1。(FF:t为一个变量，可以 取很多数，表示多种情况，FF则为这些数的集合的名称)。
步骤三：分析和计算电动汽车到达各备选充电站后的充电时间。
充电时间从电动汽车的充电时间和电动汽车的排队等候时间两方面计算； 电动汽车充电站监管系统实时检测充电桩的使用情况和排队序列中的电动汽车 数量，并以此得到电动汽车充电排队时间Tp估计值，快充模式下的充电功率ηf由充电桩管理系统大数据得出，SOC值由电动汽车管理系统读取；
充电时间T包括充电排队时间、充电持续时间，其表达式如下：
T＝Tc+Tp
式中Tc为电动汽车在快充模式下的充电持续时间，Tp为电动汽车在充电站 的排队时间，充电持续时间表达式为：
式中Af为快充模式时的充电持续时间修正系数，该修正系数主要考虑小概 率事件对充电持续时间的影响。
步骤四：根据配电网的阻塞情况，通过潮流计算功率灵敏度，为各备选充 电站制定相应的引导电价。具体步骤为：
4-1)对配电网的线路潮流作出短期预测，针对其电压、功率越限情况选择 严重度最高的过载支路进行灵敏度计算，给出相应的安全校正策略，从而准确 调整潮流，提高配电网运行的安全性与稳定性。
支路pq的过载严重度Dpq的计算公式为：
式中，n为总节点数，Lpq为支路pq的有功功率，Lpqmax为该支路能承受的 最大有功功率；
设越限严重度最高支路为ij，越限严重度最高支路ij的功率对节点k注入 功率的灵敏度为Sk，k为负荷节点标号k＝{1,2，…i…j…n}：
其中，由下式得出：
式中，Gij和Bij分别为线路ij的电导和电纳，Pk为节点k的注入功率，Vi和Vj分别为节点i、j的电压幅值，δi和δj分别为节点i、j的相角，δij＝δi-δj， 根据上式得到
4-2)考虑到系统的静态电压不稳定往往是由局部薄弱支路的传输功率超过 其功率传送能所引起，提出了将薄弱支路有功功率约束作为静态电压稳定的约 束目标(支路的有功潮流主要受节点的注入有功影响，无功则按功率因素等比 例增减)，根据交流潮流算法得出负荷点注入有功对支路有功变化的灵敏度矩 阵，制定最优补偿方案。
对牛顿拉夫逊法的迭代方程求逆矩阵得：
式中，Δδ为电压相角偏差量，ΔV为电压幅值偏差量，ΔP为节点有功控制 量，ΔQ为节点无功控制量，此处，JB1JB2JB3JB4为潮流计算的雅克比矩阵元 素，充电站的节点在{1,2，…i…j…n}中选取，共选取MN个，MN即为充电站 数目，令充电站所在节点mi应补偿的最优控制量为ΔPmi，充电站所在节点mi 应补偿的最终控制量为ΔPRmi，所有充电站的总控制量为MN个充电站节点的最 终控制量之和；
ΔPRmi＝Smi·ΔPmi
节点mi应补偿的最终控制量为ΔPRmi，节点mj应补偿的最优控制量为ΔPmj。 Smi、Smj分别为越限严重度最高支路ij的功率对节点mi和mj的灵敏度，mi， mj∈{1…i…j…n}。
4-3)根据最优补偿方案动态制定面向用户的浮动电价，引导电动汽车群充 电。
根据电价定价机制，设充电站的电价信息Cf表达式如下：
Cf＝Cb+Cd
式中Cb为运营中充电站分时电价，该分时电价在电网发布的低谷、平均、 高峰时段基准电价的基础上将各充电站建设运营成本和充电负荷裕度等作为 影响因子，围绕基准电价上下波动；Cd为引导削峰填谷制定的引导电价，可以 理解为充电附加费用(当系统无功率越限时，取分时电价)，Cd的制定从充电 站所在节点负荷的相对水平g和绝对水平e两个要素考虑；
充电站所在节点mi负荷的相对水平g的表达式如下：
Ez表示加入充电站节点mi的第z辆车的负荷量，x为常数，nn表示加入 该充电站节点的车辆总数，当g>0，表示该充电站节点的负荷超过其最优补偿 负荷量，g作为惩罚因子在引导电价上增加，当g<0时，表示该充电站节点的 负荷低于最优补偿负荷，g作为奖励因子在引导电价上扣除；
充电站所在节点负荷的绝对水平e表达式如下：
当e>0，表示该充电站节点的功率灵敏度为正，负荷量相对较高，e作为 惩罚因子在浮动电价上增加，以降低该点的负荷需求，完成功率负补偿使支路 功率趋于稳定，且功率灵敏度与功率负补偿呈正相关；当e<0，表示该充电站 节点的功率灵敏度为负，负荷量相对较低，e作为奖励因子在浮动电价上扣除， 通过增加负荷需求完成功率正补偿，此处功率灵敏度与功率正补偿呈负相关；
引导电价Cd的计算公式为：
Cd＝(α·g+β·e)·Cr
其中α、β为价格调控因子，用于反映g，e的权重，Cr为补偿价格。
步骤五：结合路况信息、充电时间以及备选充电站的引导电价，运用层次 分析法、熵权法和逼近理想解排序法建立充电选择综合评判指标体系，完成电 动汽车用户充电的最优选择。
用户的充电决策，即对充电站的选择属于多属性决策问题，求解该问题的 核心是对各备选充电站进行评价后排定优劣次序，再从中择优。层次分析法属 于主观赋权法，在确定权重的时候运用大数据技术提供的问卷调查和历史案例 数据，得到能够反映用户行为偏好，但存在主观随意的缺陷，而熵权法属于客 观赋权法，正好能弥补层次分析法的这一缺陷，将两者相结合能使得到的权重 更贴合实际。在此基础上，结合逼近理想解的排序方法(TOPSIS)，根据有限个 评价对象与理想化目标的接近程度进行排序，充分利用各充电站相关数据客观 地进行评价。综合以上三种方法使用多属性决策方法，综合评价得出适合的充 电站选择决策。
步骤五的具体步骤为：
5-1)构造判断矩阵：根据问卷调查和历史案例数据对三个指标偏好程度不 同，依据两两比较的标度和判断原理，采用二元对比法对同层次的相关指标进 行比较赋值，得到判断矩阵，具体过程为：根据问卷调查和历史案例数据对三 个指标偏好程度不同进行确定，将3个指标点进行两两作比，两个因素相比， 具有相同重要性，标度1；前者比后者稍重要，标度3；前者比后者明显重要， 标度5；2,4为相邻判断的中间值；若因素ii和因素jj的重要性比为aiijj，则因 素jj与因素ii比则为1/aiijj；将因素I、J两两作比获得的值aIJ填入到矩阵的 相应行列的位置，I＝1,2,3；J＝1,2,3，即a11填入到矩阵的第1行第1列，依次类 推，则构造了判断矩阵，判断矩阵对角线上都是1，因为是自己和自己比；此 处相当于路况信息，充电时间、电价标号分别为1、2、3，a12则为路况信息相 比于充电时间的重要性；判断矩阵为：
5-2)计算属性权重并进行一致性检验：采用方根求解法，对判断矩阵每一 列向量归一化，求出对应的特征向量并对W归一化，即可得到各因素的权 重，并进行一致性检验，判断计算出的权重是否分配合理，得到的检验系数CR， 如果CR<0.1，则认为该判断矩阵通过一致性检验，否则就不具有一致性；具体 表达式如下：
式中aIJ为因素I与因素J重要性的比较结果，为归一化后的判断矩阵，为矩阵中的元素，WI为权重向量，λmax为最大特征值，CR为判断矩阵一致性 比例；RI为固定值，通过查表获得，N为元素个数；
5-3)熵权法修正权重：AIIJJ为充电站属性指标矩阵，对各个充电站的指标 数据进行标准化处理，记为xIIJJ，并计算第JJ项指标下第II个充电站占该指标 的比重，记为pIIJJ，其次，计算第JJ项指标的熵值，记为eJJ，最后计算样本的 综合权重，记为OII；
5-4)加权规范化决策矩阵：求得规范化的决策矩阵Z，Z＝{zIIJJ}；
将计算出的规范化矩阵与步骤5-2)确定的属性权重相乘，得到加权的规范 化矩阵R，此处R＝{rIIJJ}为加权规范阵，表达式如下：
R(rIIJJ)＝OII·zIIJJ
5-5)确定正理想解和负理想解：
正理想解是充电站各个属性均达到最优，即充电时间最短、电价最低且距 离最近，负理想解则与之相反，
正理想解用r+表示，负理想解用r-表示；
5-6)计算各备选充电站到正理想解和负理想解距离；
5-7)计算各个充电站的综合评价指数并排序：以贴近度CC作为评价指数， 贴近度CC由大到小排列充电站的优劣次序，评价指数表达式如下：
其中CCII表示第II个充电站的贴近度，表示第II个充电站到负理想解距 离，表示第II个充电站到正理想解距离；
贴近度越大，表明该充电站方案最优，将得到的充电站排序发送给用户， 得到充电选择辅助决策结果。
实施例
S1、系统参数设置
本发明采用一个34配电网节点和36个网路节点组成的区域进行仿真，结 构如图3所示，在该区域内建设5个充电站。将短期负荷预测曲线读入配电网 控制中心进行潮流计算。设配电网正常运行时节点电压幅值合格范围为 [0.9400,1.0600]pu，线路的有功上限为1.0pu。基于潮流计算结果，节点电压越 限偏差和支路功率越限有功补偿分别如表A1与表A2所示。
表A1节点电压越限对应的无功偏差表
表A2支路功率越限的有功偏差表
其中，路网节点O-D线路走向数据来源于文献(张振夫、黄小庆、曹一家、 肖波、杨夯等人发表的考虑分时电价的电动汽车充电负荷计算)。经过潮流计 算，得当前共有三条支路出现功率越限，根据优先级，对支路6-7进行调整。 按照表1所示的最优负荷功率经过一次调整后，就能将节点电压和支路功率都 调整至正常范围内，证明了该方法的有效性。
表1最优负荷功率调整措施
调整结果见表A3、A4。
表A3按最优负荷功率调整后的节点电压
表A4按最优负荷功率调整后的支路功率
S2、充电决策制定
假设每台电动汽车均安装有车载导航器，能够实时获取与充电决策相关的 充电站电价数据(潮流计算以30分钟为一个周期，电价也30分钟更新一次)、 路况信息以及充电时间。设当前电动汽车触发充电需求，附近最近的三个充电 站分别为2、3、5。充电站5对越限支路的功率灵敏度为正，且预测负荷量超 过最优补偿最多，则以较高的引导电价来降低该点的负荷需求，反之，充电站 2和3对该支路的功率灵敏度为正，则在分时电价的基础上扣除相应的引导电 价来平衡负荷。表2为触发充电需求决策后得到的充电站属性数据。由本发明 的多属性决策模型为电动汽车得出最优充电决策。
表2各充电站属性值
基于AHP-TOPSIS的充电选择决策分析方法步骤依次进行计算；根据用户 问卷调查和历史案例数据采用二元对比法得出判断矩阵如表三：
表3判断矩阵
根据权重矩阵和熵权矩阵经公式修正后，得到综合权重矩阵W如下：
W＝(0.0733，0.2176，0.2906，0.4184)
且CI＝8.95e-16<0.1,CR＝9.76e-16<0.1，故此矩阵一致性可以接受；计算 加权规范化决策矩阵：
然后求得：
正理想解为{0.0304 0.0731 -0.2236 0.2216}
负理想解为{0.0528 0.1682 0.1829 0.2450}
计算得到各充电站到正负理想解的距离如表4所示：
表4到正负理想解距离
按照CC值由大到小排列充电站的优劣次序3>2>5。由于电动汽车用户普遍 存在的“续驶里程焦虑”，按照其以往的决策习惯，会优先选择路况信息优良， 且分时电价最低的充电站2进行充电，在此方案中，分时电价最接近正理想解， 而其他属性的收益值相对较低，综合各属性表现并非最优选择。本方法提供的 最优决策为充电站3，该方案在获得部分相对重要的单个属性最高收益的同时， 根据用户偏好达到综合属性最贴近正理想解而远离负理想解，并在贴近度上比 充电站2提高了0.2652，表明了充电站3在各方面更贴近用户整体利益需求。
为验证本发明基于功率灵敏度的充电决策方法的有效性，取该网路节点和 配电网节点组成的区域进行验证，设置配电网在负荷高峰期每户居民平均用电 4kW，设该区域居民500户，每日进行快充的电动汽车550辆，电动汽车的日 行驶距离均值为54.3km，分时电价以白天6点到23点为高峰电价，夜间23点 到次日6点为低谷电价，快充功率为50kW[16]。
通过蒙特卡洛法模拟一天中电动汽车的充电需求，并将充电选择调整前后 的负荷曲线进行对比，如图4所示，调整前的负荷有明显的负荷峰谷，结合本 发明充电决策对需求响应进行调整之后，负荷趋于平缓，并在6点和23点(分 时电价划分的临界点)附近出现骤降。各充电站负荷经过调整后总体上相对均 衡，其中充电站5由于与之网路节点相连的交通支路最多，因此总体负荷相对 较高。调整后各充电站的负荷如图5所示，各充电站的负荷趋于均衡，对比图 4调整前的负荷，充电站5的负荷峰值下降了29.38％，
基于半不变量法和Gram-Charlier级数展开对系统进行随机潮流计算，配 电网中除1号节点(平衡节点)外的33个节点的电压越限概率如图6所示。 可见，在调整需求响应后各节点越限概率都有一定程度的降低，其中节点16 下降最多达到55.71％，更利于电网系统的安全运行。