基于Hoeffding不等式的电动公交车队鲁棒充电策略优化方法及其在分时电价下的应用研究

本文推荐：该研究针对电动公交充电过程中剩余电量、允许充电时间等不确定因素，创新性地提出结合分时电价（TOU）和电池衰减隐形成本的鲁棒优化方法。通过Hoeffding不等式、K近邻（KNN）分类器和遗传算法，解决了传统算法在随机扰动下难以获得稳健解的问题。实验表明，该方法能灵活适应不同规模历史数据，为公交运营提供经济高效的充电策略。

　　

Highlight

分时电价（TOU）是电力行业的需求侧管理策略，通过峰谷平差异化定价引导用户错峰用电。如图1所示，本研究提出的鲁棒充电策略优化方法包含四大模块：基于电池寿命实验KNN模型计算的性能退化成本f_degradation、公交调度数据集获取的充电约束条件、Hoeffding不等式构建的置信区间，以及遗传算法驱动的全局优化框架。

Experimental platform and datasets

实验采用国家新能源汽车大数据联盟提供的北京51路公交真实数据（含37项状态参数，采集间隔15秒），以及某公交集团充电站数据集。通过1:5比例划分训练集与测试集，验证算法在复杂路况下的适应性。

Sensitivity and applicability analysis

图11三维对比图显示，充电比率C1/C2和截止容量SOC1对总成本影响显著。当SOC1设定为80%且采用"先快后慢"充电策略时，成本降低12.7%。该方法在小型车队（<30辆）和大型车队（>100辆）中均保持稳定表现，充电成本波动幅度控制在5%以内。

Conclusions

电动公交充电过程受充电时段、剩余电量等外部因素及充电速率等内部参数偏差的双重影响。本研究通过数据驱动的鲁棒优化框架，在无需预先获取不确定参数分布模型的条件下，实现了95%置信度下的成本最优解，为公交运营提供了兼具经济性和可靠性的决策支持。