基于聚類分析和卷積神經(jīng)網(wǎng)絡(luò)的電動(dòng)汽車負(fù)荷預(yù)測

周斌， 胡濟(jì)洲， 李卉， 劉潔， 李敬

(1. 國網(wǎng)湖北省電力有限公司， 湖北, 武漢 430077；2. 天津天大求實(shí)電力新技術(shù)股份有限公司， 天津 300384)

0 引言

電動(dòng)汽車的廣泛應(yīng)用不斷推進(jìn)了電動(dòng)汽車的普及。純電動(dòng)汽車作為清潔能源交通工具，其運(yùn)行的可靠性和負(fù)荷承載能力最為關(guān)鍵[1]。由于電動(dòng)汽車負(fù)荷種類較多，且分析難度較大，在電動(dòng)汽車負(fù)荷預(yù)測過程中，對(duì)電動(dòng)汽車負(fù)荷承載和優(yōu)化控制能力的要求較高。為進(jìn)一步提升電動(dòng)汽車的駕駛安全性，電動(dòng)汽車負(fù)荷預(yù)測問題的相關(guān)研究受到人們的極大關(guān)注[2-3]。

文獻(xiàn)[4]提出了一種基于深度多步時(shí)空神經(jīng)網(wǎng)絡(luò)的電動(dòng)汽車負(fù)荷時(shí)空動(dòng)態(tài)負(fù)荷預(yù)測方法，通過深度多步時(shí)空神經(jīng)網(wǎng)絡(luò)對(duì)未來的充電負(fù)荷規(guī)律進(jìn)行預(yù)測和分析，并消除單步滾動(dòng)預(yù)測所產(chǎn)生的誤差，提高預(yù)測的精度。該方法雖能在一定程度上提高電動(dòng)汽車的負(fù)荷預(yù)測精度，但抗干擾能力不夠理想。文獻(xiàn)[5]分析了電壓降控制器的穩(wěn)定性限制，提出基于相空間重組和特征映射的電動(dòng)汽車負(fù)荷預(yù)測方法。結(jié)合電動(dòng)汽車負(fù)荷增量分布式檢測，預(yù)測電動(dòng)汽車負(fù)荷，該方法的電動(dòng)汽車負(fù)荷預(yù)測過程中出現(xiàn)負(fù)荷特征辨識(shí)度不高的情況，導(dǎo)致預(yù)測結(jié)果誤差較大。

針對(duì)上述問題，本文提出基于聚類分析和卷積神經(jīng)網(wǎng)絡(luò)的電動(dòng)汽車負(fù)荷預(yù)測方法，并對(duì)其預(yù)測方法進(jìn)行仿真測試，結(jié)果表明，本文所提方法具有明顯的優(yōu)勢，預(yù)測效果較好。

1 電動(dòng)汽車負(fù)荷參數(shù)約束指標(biāo)和負(fù)荷預(yù)測互感值計(jì)算

1.1 電動(dòng)汽車負(fù)荷參數(shù)約束指標(biāo)

為實(shí)現(xiàn)電動(dòng)汽車負(fù)荷的優(yōu)化預(yù)測，結(jié)合等效電路分析和樣本信息特征采樣方法，采樣電動(dòng)汽車負(fù)荷特征，通過子空間映射和特征序列重組，構(gòu)建電動(dòng)汽車負(fù)荷特征大數(shù)據(jù)分析模型，得到電動(dòng)汽車的能量負(fù)荷傳遞模型如圖1所示。

該電動(dòng)汽車能量負(fù)荷傳遞模型的計(jì)算量較小，滿足安全駕駛的需要。在圖1所示的電動(dòng)汽車的能量負(fù)荷傳遞模型中，結(jié)合功率損耗和電磁損耗抑制方法，對(duì)電動(dòng)汽車的負(fù)荷特征序列進(jìn)行重組，從而構(gòu)建相應(yīng)的負(fù)荷參數(shù)分析模型，通過優(yōu)化電壓增益控制，完成電動(dòng)汽車的能量負(fù)荷傳遞和自適應(yīng)控制[6-7]，得到在電動(dòng)汽車的高頻能力分布狀態(tài)下的諧振頻率為ω0。假設(shè)系統(tǒng)回流功率穩(wěn)定狀態(tài)下的輸出電流因素用Ip表示，對(duì)于電動(dòng)汽車能源傳遞過程中的負(fù)荷傳遞的有效值用Is表示。對(duì)電動(dòng)汽車的共振線圈采用工頻變壓器進(jìn)行控制，從而得到雙向流動(dòng)切換的輸出電流有效值用Ir表示。輸出功率負(fù)載用Ro表示，電動(dòng)汽車的等效傳輸電流有效值用Io表示，以上參數(shù)的特征表達(dá)式分別為

(1)

(2)

Io=Ir×(Ro+ω0)

(3)

圖1 電動(dòng)汽車能量負(fù)荷傳遞模型

分析電動(dòng)汽車的能量負(fù)荷參數(shù)對(duì)回流功率的影響，根據(jù)高頻變壓的特征分布特性，結(jié)合電動(dòng)汽車的能量傳遞特征值，得到電動(dòng)汽車的能量輸入穩(wěn)態(tài)特征量表示為Zrl：

Zrl=|Ro-ω0|×Ir

(4)

在功率傳輸因素的影響下，得到電動(dòng)汽車負(fù)荷角速度阻抗和電阻阻抗分別為Zsr、Zps，計(jì)算式如式(5)、式(6)：

(5)

(6)

根據(jù)開關(guān)管的開關(guān)頻率進(jìn)行輸出功率調(diào)節(jié)，此時(shí)電動(dòng)汽車的能量傳輸效率為

(7)

1.2 負(fù)荷預(yù)測互感值的計(jì)算

構(gòu)建電動(dòng)汽車負(fù)荷分布的統(tǒng)計(jì)分析模型，通過模糊關(guān)聯(lián)特征分析方法進(jìn)行電動(dòng)汽車負(fù)荷特征提取和聚類分析[8]，電動(dòng)汽車負(fù)荷優(yōu)化分布狀態(tài)下的輸出功率為

(8)

在電源輸出側(cè)，分析電動(dòng)汽車負(fù)荷預(yù)測的輸出響應(yīng)性能特征，采用模糊均值聚類分析，構(gòu)建電動(dòng)汽車負(fù)荷的融合聚類分析模型[9]，在諧振頻率保持不變的情況下，通過對(duì)電壓因素和功率因素的關(guān)聯(lián)性分析，實(shí)現(xiàn)電動(dòng)汽車負(fù)荷預(yù)測和解耦處理，電動(dòng)汽車負(fù)荷量化分析的自相關(guān)特征量為

(9)

式中，ak表示電動(dòng)汽車負(fù)荷的閉環(huán)比例系數(shù)，br表示電動(dòng)汽車負(fù)荷預(yù)測過程中的局部收斂權(quán)重。

對(duì)電動(dòng)汽車負(fù)荷時(shí)間序列的自相關(guān)特征進(jìn)行聚類處理分析，得出汽車負(fù)荷預(yù)測的等效參數(shù)模型，從而得到電動(dòng)汽車的能量互感Msr值，對(duì)電流應(yīng)力、軟開關(guān)等特性進(jìn)行聯(lián)合分析，采用特征挖掘和聚類分析方法，電動(dòng)汽車負(fù)荷預(yù)測的互感值為

(10)

式中，τ為負(fù)荷預(yù)測的采樣時(shí)間尺度。

2 電動(dòng)汽車負(fù)荷預(yù)測

2.1 特征提取

對(duì)電動(dòng)汽車的負(fù)荷特征序列進(jìn)行重組，采用統(tǒng)計(jì)時(shí)間序列的方法進(jìn)行分析，并且提取相應(yīng)的特征量，再結(jié)合磁鏈參數(shù)估計(jì)方法，結(jié)合電動(dòng)汽車的負(fù)荷特征，構(gòu)建對(duì)應(yīng)的分析模型。通過模糊關(guān)聯(lián)特征分析方法進(jìn)行電動(dòng)汽車負(fù)荷特征提取和聚類分析，得到電動(dòng)汽車的負(fù)荷參量的優(yōu)化值為

(11)

結(jié)合磁場參數(shù)辨識(shí)方法，對(duì)電動(dòng)汽車的負(fù)荷參量進(jìn)行局部優(yōu)化，求得特征參數(shù)的分布集，構(gòu)建負(fù)荷檢測統(tǒng)計(jì)特征量，根據(jù)統(tǒng)計(jì)特征分析方法，進(jìn)行電動(dòng)汽車負(fù)荷預(yù)測[10]，得到電動(dòng)汽車負(fù)荷特征為

(12)

2.2 基于卷積神經(jīng)的電動(dòng)汽車負(fù)荷預(yù)測

假設(shè)電動(dòng)汽車負(fù)荷特征的輸入為

FT=ω(net1+net2)

(13)

式中，net表示卷積網(wǎng)絡(luò)的網(wǎng)層，ω表示負(fù)荷加權(quán)系數(shù)。

(14)

式中，P表示交流電壓的相位差，x(t)表示電動(dòng)汽車負(fù)荷特征的功率譜密度。

通過諧振回路分析，在電動(dòng)汽車負(fù)荷序列的預(yù)測評(píng)價(jià)特征分布集提取電動(dòng)汽車負(fù)荷時(shí)間序列的耦合性特征量，而且提出的效率高、用時(shí)短，得到電動(dòng)汽車負(fù)荷序列的輸出功率因素。此時(shí)電動(dòng)汽車負(fù)荷狀態(tài)的每個(gè)模態(tài)的換流映射為

Z(t)=a(t)+(xi×xj)+θ(t)

(15)

式中，a(t)表示電動(dòng)汽車負(fù)荷預(yù)測數(shù)據(jù)點(diǎn)xi和xj之間的相似度水平，θ(t)表示負(fù)荷預(yù)測的平均互信息量。

根據(jù)上述算法設(shè)計(jì)，通過卷積神經(jīng)網(wǎng)絡(luò)分類識(shí)別方法進(jìn)行電動(dòng)汽車負(fù)荷特征分類學(xué)習(xí)，根據(jù)特征分類結(jié)果實(shí)現(xiàn)電動(dòng)汽車負(fù)荷的優(yōu)化預(yù)測。

3 仿真實(shí)驗(yàn)測試

為驗(yàn)證所提方法的應(yīng)用性能，設(shè)計(jì)仿真實(shí)驗(yàn)完成相關(guān)測試。假設(shè)電動(dòng)汽車的電源容量為240 kW,額定功耗為140 kW，回流功率為12 kW，電流過零點(diǎn)為相位偏差為14 rad/s，電壓增益為120 V，特性阻抗為0.78 mH，根據(jù)上述參數(shù)設(shè)定，分析電動(dòng)汽車的功率損耗與行駛距離的關(guān)系，得到預(yù)測結(jié)果如圖2所示。

圖2 所提方法功率損耗與行駛距離的預(yù)測結(jié)果

分析圖2得知，隨著行駛距離的增加，電動(dòng)汽車的功率耗損也隨著增大，在600 km時(shí)達(dá)到最大值。本文方法的預(yù)測結(jié)果與實(shí)際值的擬合度較高。

將文獻(xiàn)[4]方法、文獻(xiàn)[5]方法和本文所提方法進(jìn)行負(fù)荷預(yù)測精度的對(duì)比測試，測試結(jié)果如圖3所示。

圖3 電動(dòng)汽車負(fù)荷預(yù)測結(jié)果

分析圖3得知，在實(shí)驗(yàn)過程中，隨著實(shí)驗(yàn)迭代次數(shù)的增加，本文所提方法的負(fù)荷預(yù)測精度穩(wěn)定在90%以上。本文所提方法的負(fù)荷預(yù)測精度明顯高于獻(xiàn)[4]和文獻(xiàn)[5]方法，主要是由于本文所提方法采用了聚類分析和卷積神經(jīng)網(wǎng)絡(luò)，提高了預(yù)測的精度。因此，該實(shí)驗(yàn)結(jié)果表明所提方法的可應(yīng)用性更強(qiáng)，應(yīng)用性能更好。

為了進(jìn)一步驗(yàn)證本文所提方法的有效性，對(duì)電動(dòng)汽車負(fù)荷跟蹤能力進(jìn)行測試。本文所提方法的測試結(jié)果如圖4所示。

(a) 電動(dòng)汽車負(fù)荷真實(shí)變化軌跡

(b) 所提方法負(fù)荷跟蹤結(jié)果

由圖4所得結(jié)果可知，本文所提方法的負(fù)荷跟蹤結(jié)果與負(fù)荷真實(shí)變化基本吻合，主要是由于通過卷積神經(jīng)網(wǎng)絡(luò)分類識(shí)別方法進(jìn)行電動(dòng)汽車負(fù)荷特征分類學(xué)習(xí)，提高了負(fù)荷預(yù)測和負(fù)荷線性跟蹤能力。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文所提方法能夠?qū)ω?fù)荷進(jìn)行精準(zhǔn)跟蹤，提高了負(fù)荷的可控性，有效性更強(qiáng)。

4 總結(jié)

通過聚類分析和卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行電動(dòng)汽車負(fù)荷預(yù)測，并結(jié)合等效電路分析和樣本信息特征采樣方法，采樣電動(dòng)汽車負(fù)荷特征，并對(duì)其負(fù)荷特征進(jìn)行重組，構(gòu)建負(fù)荷特征分析模型，根據(jù)特征分類結(jié)果實(shí)現(xiàn)電動(dòng)汽車負(fù)荷的優(yōu)化預(yù)測。對(duì)其進(jìn)行仿真測試，測試結(jié)果表明，本文所提方法的負(fù)荷預(yù)測精度更高，負(fù)荷跟蹤能力更強(qiáng)，可見本文所提方法的應(yīng)用性能更好，有效性更強(qiáng)。以后的研究將針對(duì)超低溫等極端環(huán)境下該方法的預(yù)測精度進(jìn)行分析。