相對模糊的,需要引入目標隸屬函數μ_j(f_i)來表示目標函數f_i中某一模糊指標對于f_i的隸屬程度。隸屬函數μ_j(f_i)應如公式（5）所示：

 （6）

式中：j=1,2,3,方案實用度指標G_i表示當前目標函數參數下,方案選取的實用性,G_i越小則方案選取越優。其中λ_j應符合設計的歸一性與非負性,即λ_j>0且∑λ_j=1為模型的約束條件。

在計算過程中,λ_j只與偏好矩陣和目標函數重要程度有關。為保證指標評價權重的準確性,隨機挑選100組每組100人的電動汽車用戶作為樣本進行調研,考察用戶對于時間、路程、價格3個指標的看重程度,并將結果進行散點分析,用戶評價散點分析如圖5所示。

圖5 用戶評價散點分析Fig.5 User interest dispersion analysis

根據大量市場調研及用戶習慣分析,路程等價指標重要程度小于充電價格等價指標小于時間成本等價指標,最終得出用戶評價權重式（7）的結果。

 （8）

通過模糊規劃,成功將三目標問題轉化為單目標評價體系,同時剔除了評價過程中參數量綱不一致的問題。

3.3 模型仿真與結果

3.3.1 仿真場景搭建

圖6 充電站充電地圖Fig.6 The map of charging stations

表1 充電站地理信息Tab.1 Geographic information of charging station

圖6是發出充電請求的電動汽車搜索附近充電站結果的示意圖。電動汽車電池容量為25 kW,出發時剩余電量為2.5 kW,汽車耗電量為2.5 kW/h,設充電時只充到電池容量的80%。

充電站地理信息見表1所列,將表中數據導入Matlab進行仿真計算。

從圖中可以看出充電站4的路途中有嚴重擁堵路段,通行時間較久。將上述數據代入約束條件式（4）,可以求得：

Tab.2 Basic data of charging station " style="box-sizing: border-box; color: rgb(43, 43, 43); text-decoration-line: none;">表2 充電站基本數據Tab.2 Basic data of charging station

3.3.2 仿真結果

將上述式（5）及式（8）輸入Matlab,輸出結果見表3所列。

仿真結果得出,實用度指標G_i分別為（-0.045 61, 0.052 08, -0.006 47）,可以看出G₁最小,說明G₁方案選擇實用度最高。通過結果對比,可以看出
1號充電站的時間成本指標要略大于2號充電站的時間成本,從地圖上可以看出3號充電站的距離成本要優于1號的距離成本,在進行模糊規劃后,最優方案的各項成本不一定是最小的,而是趨于更為折中的,成本比重分配更為合理。

此時,用戶點選一鍵導航功能時,系統進行短暫計算后,選擇1號充電站作為充電目的地。功能視圖界面如圖7所示。

圖7 一鍵導航功能視圖界面Fig.7 One-key navigation function interface

 4 結語

自助充電通用服務系統是電動汽車用戶參與自助充電業務的信息化保障,是電動汽車參與智能用電業務的關鍵環節。本文提出了自助充電通用服務系統的設計方案,并基于模糊規劃算法完成了智能導航的功能設計,實現了自助充電通用服務系統服務接口的通用性和充電服務的自助性。用戶可以遠程預定各項充電服務,自助實現查詢、預約、充電、支付的整個充電流程,實現充電業務的自助性。自助充電通用服務系統將用戶側、充電設備側和管控側有效的聯系在一起,實現各個環節的友好互動、聯動服務。

未來,隨著大數據技術及物聯網技術不斷發展,自助充電通用服務系統與電網智能用電平臺深入融合,系統的功能將不斷完善,系統在充電負荷數據及設備數據的深度挖掘及智能用電業務方面將展現不可或缺的作用。