电动汽车充电桩评价方法.docx

电动汽车充电桩评价方法

《电气应用杂志》2014年第十二期
一、构建投影寻踪等级评价模型
(1)生成评估项的投影数据并进行标准化处理设充电负荷评估等级和评估样本集分别为y(i)和{x(i，j)|i=1～n，j=1～m}，x(i，j)为样本集中第i个样本的第j个指标值，n为样本集大小，m评估项个数。为消除各评估项的量纲差别和统一评估项的变化范围，对其样本集进行标准化处理，即式中，Ex(j)、Sx(j)分别为原第j个评估指标的均值和标准差;x*(i，j)为标准化后的样本值集合。(2)构建投影指标函数将标准化后的评估样本{x*(i，j)j=1～m}按照投影方向a投影为一维投影值z(i)，其中a为m维的单位向量。投影方程为再根据z(i)与y(i)散点图建立等级评价数学模型。从高维空间投影到低维空间时，要求z(i)应尽可能体现{x*(i，j)}中的变异信息，因此z(i)的标准差Sz应尽可能大，同时z(i)与标准等级值y(i)的相关系数的绝对值Rzy也应尽可能大。投影指标函数可构造为(3)优化投影指标函数当评价等级与标准化后的评价样本集确定时，投影指标函数Q(a)的大小只与投影方向有关。最佳投影方向可最大化地反应高维数据的变异信息。投影指标函数优化方程为(4)构建投影寻踪等级评价模型将(3)中解出的最优投影方向a*代入公式(2)，得到投影值z*(i)，根据z*(i)与y(i)的散点图特征建立等级评价数学模型。QPSO投影寻踪等级评价模型建立的关键是找到最优投影方向，针对传统遗传算法、QPSO易局部收敛的特点，文章提出采用QPSO求解最优投影方向。，朝个体最优和群体最优粒子飞行，但具有容易局部收敛的缺点。QPSO将量子计算与PSO相融合，将量子的态矢量表达引入粒子编码，利用概率幅表示粒子的编码，使得粒子可以表达多个态的叠加，利用量子旋转门实现粒子的更新操作，引入变异操作增加种群多样性，比常规粒子群算法更容易寻找到全局最优解。，粒子用量子比特位形式表达，即用随机概率方式表达，这种表达方式增加了种群多样性，迭代中的量子旋转更新、变异环节加了种群多样性，扩大了最优解的搜索空间，找到最优解的概率大大增加。在量子力学中微观粒子的运动状态使用Hil-bert空间中的波函数ψ来表示，体现了量子的波粒二象性。量子态ψ＞可用基态0＞态和1＞的线性叠加表示，如式(8)所示QPSO流程具体步骤如下。(1)粒子的量子态编码初始化设种群粒子个数为n，粒子维数为m，P为粒子概率幅组成的矩阵，P矩阵初始化过程为1)区间内的随机数。(2)粒子解码环节若实际解的空间为［a，b］，某量子态的概率在［0，1］，则需将概率解码到实际参数空间，解码方程为(3)粒子评估及更新环节将投影指标函数Q(a)作为粒子评估指标，Q(a)越大，适应度值越大，遴选出个体最优及群体最优粒子。利用式(10)将概率幅表示的粒子转化为量子相位形式的粒子，粒子位置更新。(4)变异处理在QPSO中，通过量子非门实现变异操作，有助于增加种群的多样性，避免出现局部收敛现象。令变异概率为pm，每个粒子在(0，1)区间内设定一个随