基于充电器故障率分析的电动汽车充电站最优调度与路径规划框架

《Journal of Energy Storage》：Charger fault rate analysis-based optimal electric vehicle charging station scheduling and routing framework

　　

电动车辆（Electric Vehicle, EV）充电为当代快速演进的交通系统中EV的高效运行提供必需能量。然而，现有研究在调度充电时段时未关注故障充电器。因此，本研究提出一种基于充电器故障率（Fault Rate, FR）分析的最优EV充电站（Charging Station, CS）调度与路径规划框架，采用NeighCoeff移动平均算法（NeighCoeff Moving Average Algorithm, NM2A）与增长型模糊逻辑系统（Growth-Fuzzy Logic System, LG-FLS）。该框架首先进行EV用户注册，继而收集用户需求信息，包括充电类型、预约信息、故障充电器率（Fault Charger Rate, FCR）及所需荷电状态（State of Charge, SOC）。利用CS时段详情训练故障检测模型以确定FCR，这些详情经预处理与特征提取后，采用Fisher-Rao宽隐层扩展前馈神经网络（Fisher-Rao Wide Hidden Expansion-Feedforward Neural Network, FRWHE-FNN）执行充电器故障检测，将充电器分类为正常或故障状态。随后，采用NM2A对故障充电器估计FR。接着，基于用户需求运用LG-FLS选取合适的CS。预约确认通过确认算法完成。最后，基于已确认的预约及所选CS，采用Henon-花授粉算法（Henon-Flower Pollination Algorithm, H-FPA）确定至CS的最优路径。此外，采用FSCC保障用户与CS间数据的安全传输。因此，所提出的FRWHE-FNN以96.666%的准确率有效检测故障充电器。

**一、研究背景与现存问题**

随着全球交通系统向电气化转型，电动车辆（EV）作为传统燃油车辆的清洁替代方案日益普及，充电站（CS）需求随之激增。然而，现有EV充电调度研究存在显著局限：多数工作忽略充电器的故障状态，可能导致将故障充电器分配给用户，造成时间浪费与信任损失；用户个体差异（如充电偏好、紧急程度、出行约束及等待容忍度）未得到充分建模；多车无协调抵达同一CS导致长时间等待；预约数据缺乏保护机制，存在基础设施篡改风险；部分研究仅追求充电效率而忽视行驶时间成本，引发路径次优与电池耗尽风险。此外，现有系统缺乏将故障感知、用户需求与动态调度相整合的决策机制，致使充电基础设施利用效率低下、用户满意度受损。

**二、研究设计与核心贡献**

针对上述问题，研究人员提出一种基于充电器故障率（FR）分析的最优EV CS调度与路径规划框架，整合故障检测、故障率估计、站点选择与路径优化于统一系统。该框架的核心创新包括：构建FRWHE-FNN预测性故障检测模型，基于运行数据识别故障充电器，弥补传统故障报告滞后或不完整之不足；引入NM2A估计故障充电器率（FCR），实现充电器可靠性的概率化评估而非二元判定；开发基于LG-FLS的故障感知CS选择机制，确保仅选取可靠且适配的站点；采用H-FPA优化路由策略，为EV用户规划高效行驶路径；通过FSCC保障用户与CS间交互数据的传输安全。

**三、技术方法与实现流程**

该框架的技术实现涵盖以下核心模块。在数据准备阶段，EV用户通过全球定位系统（Global Positioning System, GPS）完成网络注册，提供姓名、密码、电话、出生日期及电子邮箱等基本信息，注册用户数记为?={?₁, ?₂, ..., ?_x}。

用户需求收集阶段，系统采集充电类型、预约需求、FCR及目标SOC等参数。继而基于CS时段详情训练故障检测模型，数据经预处理后提取特征，输入FRWHE-FNN进行充电器状态分类（正常/故障）。该神经网络融合Fisher-Rao度量优化与宽隐层扩展技术，增强特征表达能力与分类鲁棒性。

故障率估计阶段，对检出的故障充电器应用NM2A计算FR。该算法通过邻近系数加权移动平均，平滑时序波动并捕捉FR变化趋势，输出FCR估计值。

CS选择阶段，采用LG-FLS综合用户需求与FCR信息选取最优CS。该模糊逻辑系统引入增长型规则库动态调整机制，适应用户偏好的模糊性与不确定性，协调多目标决策。

预约确认阶段，通过确认算法验证时段可用性并锁定资源，减少因临时取消导致的时段浪费。

路径规划阶段，基于确认的预约信息与选定CS，运用H-FPA确定最优行驶路径。该算法整合同伦映射混沌扰动与花授粉搜索策略，平衡全局探索与局部开发，优化距离、交通状况与电池状态的复合目标。

数据安全阶段，全系统采用FSCC加密机制保护用户隐私与交易数据，防止未授权访问与数据篡改。

**四、研究结果与性能评估**

在MATLAB仿真平台上，研究人员将所提框架与常规方法进行性能对比。FRWHE-FNN故障检测模型达到96.666%的准确率，显著优于传统方法，有效识别故障充电器并降低分配错误。NM2A在FCR估计中展现出良好的时序平滑性与趋势跟踪能力，为可靠性评估提供量化依据。LG-FLS在多用户需求冲突情境下实现合理的CS分配，平衡等待时间、距离与充电器可用性。H-FPA路径规划有效缩短行驶时间与能量消耗，避免电池耗尽风险。FSCC安全机制确保端到端数据传输的机密性与完整性。

**五、讨论与结论**

该研究提出的故障感知EV CS调度与路径规划框架，通过整合FRWHE-FNN、NM2A、LG-FLS与H-FPA，系统性解决了现有研究忽视充电器故障状态的缺陷。FRWHE-FNN的高精度故障检测为后续决策奠定数据基础；NM2A的概率化FCR估计替代传统二元判定，提升风险评估精细度；LG-FLS的模糊推理有效处理用户需求的语言模糊性与个体差异性；H-FPA的混沌优化策略保障路径求解效率与质量。FSCC的嵌入使框架具备实用化部署的安全条件。

研究结论表明，该框架通过充电器FR分析实现最优EV CS调度与路径规划：FRWHE-FNN模型以96.666%准确率有效检测故障充电器，提升充电可靠性；NM2A算法高效估计FCR，支持充电器可靠性的概率化评估；LG-FLS依据用户需求选取合适CS，改善调度协调性与等待体验；H-FPA确定至CS的最优路径，优化行驶效率；FSCC保障用户与CS间数据的安全传输。整体而言，该框架将故障感知机制引入EV充电生态系统，显著提升系统效率、用户信任与运营可持续性，为智能交通基础设施的鲁棒性设计提供理论参考与技术范式。