一种基于双向灰色关联分析的充电设备性能评估方法与流程

本发明涉及汽车充电设备技术领域，具体为一种基于双向灰色关联分析的充电设备性能评估方法。

背景技术：

电动汽车被各国公认为缓解未来能源危机的重要产业，目前我国是其最大的市场之一。随着我国电动汽车充电网络的持续发展，充电设备的规范化管理问题逐渐显现，因此，在较为完备的充电设备性能评估指标集合下，提出合理的设备性能评估方法，具有重要的实用价值。

技术实现要素：

针对上述问题，本发明的目的在于提供一种用以评价充电设备的综合性能，帮助充电设备生产和运行维护人员全面掌握充电设备的性能状况，选择合适的充电设备或采取适当措施改善充电设备的性能的基于双向灰色关联分析的充电设备性能评估方法。技术方案如下：

一种基于双向灰色关联分析的充电设备性能评估方法，包括以下步骤：

步骤1：建立充电设备性能评估指标集，采集各指标数据形成充电设备性能评估决策矩阵；

步骤2：利用变异系数法计算各性能评估指标的客观权重；

步骤3：利用夹角法确定多名专家的主观权重，并计算性能评估指标的综合权重；

步骤4：利用双向灰色关联分析法给出充电设备性能评估结果。

进一步的，充电设备性能评估指标包括：电压输出偏差、电流输出偏差、稳压精度、稳流精度、充电效率、功率因数、谐波特性、噪声特性、设备寿命、设备维护费用、电气绝缘、电气防护；

所述电压输出偏差和电流输出偏差指标表征充电设备的输出偏差特性；稳压精度和稳流精度指标表征充电设备的输出波动特性及充电设备的输出质量特性；该类指标为成本型指标；

所述充电效率指标为充电设备输出功率与输入有功功率的比值，功率因数指标为充电设备有功功率与实际功率的比值；该类指标表征充电设备对电能的利用水平，为效益型指标；

所述谐波特性指标表征充电设备产生的谐波电流对电网电能质量的不利影响，噪声特性指标为距离充电设备水平距离一米处的噪声；该类指标表征充电设备对电网和周遭环境的影响，为成本型指标；

所述设备寿命指标为充电设备保持原有使用性能的时间，设备维护费用为充电设备在运行期间检修维护产生的费用；该类指标表征充电设备的经济性，为效益型指标；

所述电气绝缘指标指充电设备输入回路对地、输出回路对地、输出对输出之间绝缘性能，电气防护指标为充电设备外壳对异物侵入的防护等级，该类指标表征充电设备的安全性能，为效益型指标。

更进一步的，所述形成充电设备性能评估决策矩阵的方法包括：

采集待评估充电设备的各性能评估指标，以评估决策矩阵x的形式进行整合；设有m个待评估的充电设备si，i＝1,2,…,m；有n个性能评估指标xj，j＝1,2,…,n；则充电设备si的指标集合为xi＝{xi1,xi2,…,xij,…,xin}，xij表示第i个充电设备的第j个性能评估指标的取值；所有的xij构成性能评估决策矩阵x：

更进一步的，所述利用变异系数法计算各性能评估指标的客观权重的具体步骤如下：

步骤21：根据性能评估决策矩阵，分别求出各性能评估指标的平均值和标准差s(j)：

步骤22：计算各性能评估指标的变异系数γj：

对变异系数进行归一化处理得出指标的客观权重向量β＝(β1,β2,…,βj,…,βn)；其中βj为：

更进一步的，所述步骤3的具体步骤如下：

步骤31：利用夹角法确定多名专家的主观权重：

设充电设备性能评估专家组由q名专家组成，记理想性能评估专家为p^*，其对各充电设备的综合性能评价与整个专家群体p高度一致，p＝(p1,p2,…,pk,…,pq)，专家pk对各性能评估指标给出的权重向量为wk，wk为n阶向量；所有专家给出的权重构成矩阵为w＝(w1,w2,…,wk,…,wq)，w为n×q阶矩阵，其中的元素记为wjk；

利用夹角法确定理想性能评估专家p^*给出的权重，也即多名专家的主观权重ω＝(ω1,ω2,…,ωj,…,ωn)，其中：

步骤32：计算性能评估指标的综合权重：

由指标客观权重向量β＝(β1,β2,…,βj,…,βn)和主观权重向量ω＝(ω1,ω2,…,ωj,…,ωn)，得到主客观综合权重向量w＝(w1,w2,…,wj,…,wn)，其中wj为：

更进一步的，所述步骤4的具体步骤如下：

步骤41：采用最大最小法对充电设备性能评估决策矩阵进行规范化：

将充电设备性能评估决策矩阵x转换为无量纲的充电设备性能评估规范化决策矩阵r＝[rij]，r中元素rij为：

式中：rij为第i个充电设备在第j个性能评估指标下的无量纲值；

步骤42：对规范化性能评估决策矩阵进行赋权：

将主客观综合权重wj分别赋给其对应的性能评估指标，得到加权规范化的充电设备性能评估决策矩阵d：

d＝(dij)m×n＝(rij)m×n×wj

步骤43：基于双向灰色关联分析法给出充电设备性能评估结果：

(1)求正向灰色关联度

设表示各性能评估指标属性值中的最优解，成本型指标为0，效益型指标为1；取组成的最理想充电设备作为参考序列，以第i个充电设备的属性值di(j)＝{dij|j＝1,2,…,n}作为比较序列，则di和在第j个指标下的关联系数为：

式中：ρ∈[0,1]为分辨系数；

则充电设备si性能与最理想充电设备性能的灰色关联度，即正向灰色关联度为：

(2)求负向灰色关联度

设表示各性能评估指标属性值中的最劣解：成本型指标为1，效益型指标为0；取组成的最糟糕充电设备作为参考序列，以第i个充电设备的属性值di(j)＝{dij|j＝1,2,…,n}作为比较序列，则di和在第j个指标下的关联系数为：

式中：

则充电设备si性能与最糟糕充电设备性能的灰色关联度，即负向灰色关联度为：

(3)求综合评估值

充电设备si的性能综合评估值为：

按照ai的大小确定充电设备性能评估排序。

本发明的有益效果是：本发明综合考虑充电设备的输出质量特性、对电能的利用水平、对电网和周遭环境的影响、经济性和安全性能，构筑了包含12个指标的充电设备性能评估指标集，既可以全面反映充电设备的整体运行性能，又可以避免指标繁冗产生信息干扰；采用变异系数方法和夹角法确定了充电设备性能指标的主客观综合权重，实现了赋权的合理性；利用双向灰色关联分析给出了充电设备性能评估结果，保证了接近最理想充电设备和远离最糟糕充电设备的性能状态。本发明方法有助于通过性能评估找出充电设备的不足之处，为设备选型和维修维护提供参考，对保障充电设备安全、高效和优质运行具有积极意义。

附图说明

图1为本发明一种基于双向灰色关联分析的充电设备性能评估方法的步骤流程图。

图2为实例中3个充电设备(s1、s2和s3)的性能指标值。

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细说明。如图1所示，本发明提出一种基于双向灰色关联分析的充电设备性能评估方法，具体步骤如下：

步骤1：建立充电设备性能评估指标集，采集各指标数据形成评估决策矩阵

(1)建立充电设备性能评估指标集

充电设备性能评估指标包括：电压输出偏差、电流输出偏差、稳压精度、稳流精度、充电效率、功率因数、谐波特性、噪声特性、设备寿命、设备维护费用、电气绝缘、电气防护；

所述电压输出偏差、电流输出偏差指标表征充电设备的输出偏差特性，稳压精度、稳流精度指标表征充电设备的输出波动特性，它们表征充电设备的输出质量特性。充电设备连接电源时，按半载配置电阻性负载，在充电设备输出端设置电压和电流测量装置，以获取其电压和电流输出特性。上述指标为成本型指标，即越小越好型指标；

所述充电效率指标是充电设备输出功率与输入有功功率的比值，功率因数指标为充电设备有功功率和视在功率的比值，它们表征充电设备对电能的利用水平，为效益型指标，即越大越好型指标；

所述谐波特性指标指充电设备产生的谐波电流对电网电能质量的不利影响，噪声特性指标指充电设备正常运行时，距离充电设备水平距离一米处的噪声，它们表征充电设备对电网和周遭环境的影响，为成本型指标，即越小越好型指标；

所述设备寿命指标为充电设备保持原有使用性能的时间，设备维护费用为充电设备在运行期间的定期检修、维护等产生的费用，它们表征充电设备的经济性，其指标值采用定性评分法确定(总分为10分)。设备寿命越高，指标分值越大；设备维护费用越少，指标分值越大；因此它们为效益型指标，即越大越好型指标；

所述电气绝缘指标指充电设备输入回路对地、输出回路对地、输出对输出之间绝缘性能，电气防护指标指充电设备外壳对异物侵入的防护等级，它们表征充电设备的安全性能，其指标值采用定性评分法确定(总分为10分)。电气绝缘水平越高，指标分值越大；电气防护等级越高，指标分值越大；因此为效益型指标，即越大越好型指标。

(2)形成充电设备性能评估决策矩阵

采集待评估充电设备的各性能评估指标，以评估决策矩阵x的形式进行整合；设有m个待评估的充电设备si，i＝1,2,…,m；有n个性能评估指标xj，j＝1,2,…,n；则充电设备si的指标集合为xi＝{xi1,xi2,…,xij,…,xin}，xij表示第i个充电设备的第j个性能评估指标的取值；所有的xij构成性能评估决策矩阵：

步骤2：利用变异系数法计算各性能评估指标的客观权重

采用差变异系数来测度充电设备性能评估指标的变异程度，并据此确定各指标的变异权数，即指标的客观权重。利用变异系数法确定指标客观权重的具体步骤如下：

(1)根据性能评估决策矩阵，分别求出各性能评估指标的平均值和标准差s(j)：

(2)计算各性能评估指标的变异系数γj，并对变异系数进行归一化处理得出指标的客观权重向量β＝(β1,β2,…,βj,…,βn)：

步骤3：利用夹角法确定多名专家的主观权重，并计算性能评估指标的综合权重

设充电设备性能评估专家组由q名专家组成，记理想性能评估专家为p^*，其对各充电设备的综合性能评价与整个专家群体p高度一致，p＝(p1,p2,…,pk,…,pq)，专家pk对各性能评估指标给出的权重向量为wk，wk是一个n阶向量，所有专家给出的权重构成矩阵为w＝(w1,w2,…,wk,…,wq)，因此w是一个n×q阶矩阵，其中的元素记为wjk；

利用夹角法确定理想性能评估专家p^*给出的权重，也即多名专家的主观权重ω＝(ω1,ω2,…,ωj,…,ωn)，其中：

由指标客观权重向量β＝(β1,β2,…,βj,…,βn)和主观权重向量ω＝(ω1,ω2,…,ωj,…,ωn)，得到主客观综合权重向量w＝(w1,w2,…,wj,…,wn)，其中：

步骤4：利用双向灰色关联分析法给出充电设备性能评估结果

采用双向灰色关联分析法进行充电设备性能评估的基本步骤如下：

(1)采用最大最小法对充电设备性能评估决策矩阵进行规范化

将充电设备性能评估决策矩阵x转换为无量纲的充电设备性能评估规范化决策矩阵r＝[rij]，r中元素

式中：rij为第i个充电设备在第j个性能评估指标下的无量纲值。

(2)对规范化性能评估决策矩阵进行赋权

将主客观综合权重wj分别赋给其对应的性能评估指标，得到加权规范化的充电设备性能评估决策矩阵d：

d＝(dij)m×n＝(rij)m×n×wj。

(3)基于双向灰色关联分析法给出充电设备性能评估结果

1)求正向灰色关联度

设表示各性能评估指标属性值中的最优解(成本型指标为0，效益型指标为1)，取组成的最理想充电设备作为参考序列，以第i个充电设备的属性值di(j)＝{dij|j＝1,2,…,n}作为比较序列，则di和在第j个指标下的关联系数为

式中：ρ∈[0,1]为分辨系数，本发明取ρ＝0.5；

充电设备si性能与最理想充电设备性能的灰色关联度(正向灰色关联度)：

2)求负向灰色关联度

设表示各性能评估指标属性值中的最劣解(成本型指标为1，效益型指标为0)，取组成的最糟糕充电设备作为参考序列，以第i个充电设备的属性值di(j)＝{dij|j＝1,2,…,n}作为比较序列，则di和在第j个指标下的关联系数为

式中：

充电设备si性能与最糟糕充电设备性能的灰色关联度(负向灰色关联度)：

3)求综合评估值

充电设备si的性能综合评估值为：

按照ai的大小，即可确定充电设备性能评估排序。

下面通过实施例进一步阐明本发明的方案：

根据本发明建立的充电设备性能评估指标集，采集3个电动汽车充电设备的性能指标，其中：电压输出偏差(i1)、电流输出偏差(i2)、稳压精度(i3)、稳流精度(i4)、充电效率(i5)、功率因数(i6)、谐波特性(i7)、噪声特性(i8)等指标值采用数值量化，设备寿命(i9)、设备维护费用(i10)、电气绝缘(i11)、电气防护(i12)等指标值采用定性评分法确定(总分为10分)，3个充电设备(s1、s2和s3)的性能指标值如图2所示。

(1)利用变异系数法求得各性能评估指标的客观权重向量：

β＝[0.2023,0.2658,0.1959,0.0754,0.0097,0.0120,0.0184,0.0257,0.0245,0.0433,0.1022,0.0248]

(2)利用夹角法确定多名专家的主观权重，并计算性能评估指标的综合权重

设由3名专家组成充电设备性能评估专家组，他们给出的主观权重分别为

ω1＝[0.1,0.1,0.1,0.1,0.1,0.1,0.05,0.05,0.1,0.05,0.075,0.075]

ω2＝[0.1,0.1,0.075,0.075,0.125,0.125,0.075,0.025,0.1,0.1,0.05,0.05]

ω3＝[0.1,0.1,0.1,0.1,0.1,0.1,0.025,0.025,0.1,0.1,0.075,0.075]

采用夹角法求得综合3名专家意见的主观权重向量为

ω＝[0.1000,0.1000,0.0917,0.0917,0.1083,0.1083,0.0500,0.0333,0.1000,0.0833,0.0667,0.0667]

由指标客观权重向量和主观权重向量，得到主客观综合权重向量：

w＝[0.2239,0.2942,0.1989,0.0766,0.0116,0.0143,0.0102,0.0095,0.0271,0.0399,0.0755,0.0183](3)采用最大最小法对充电设备性能评估决策矩阵进行规范化，得到的规范化决策矩阵的元素如表1所示。

表1充电设备性能评估规范化决策矩阵的元素

将主客观综合权重wj分别赋给矩阵r中对应的性能评估指标，即可得到充电设备性能评估加权规范化决策矩阵d。

(4)采用双向灰色关联分析法给出充电设备性能评估结果

最理想充电设备的指标值向量：

最糟糕充电设备的指标值向量：

3个充电设备性能与最理想充电设备性能的灰色关联度(正向灰色关联度)：

g⁺＝[0.8815,0.4690,0.4815]

3个充电设备性能与最糟糕充电设备性能的灰色关联度(负向灰色关联度)：

g^-＝[0.4494,0.7050,0.7615]

3个充电设备的性能综合评估值为：

a＝[1.9616,0.6653,0.6323]

据此，可确定充电设备的性能排序依次为：s1＞s2＞s3。