基于CNN和LSTM混合網(wǎng)絡的電動汽車充電樁運行狀態(tài)預測方法*

吳 丹, 甄昊涵, 雷 珽, 陳 津, 錢勇生, 李 樵, 鄭陸海

[1.國網(wǎng)上海市電力公司,上海 200122；2.上海電器科學研究所(集團)有限公司，上海 200063]

0 引 言

近年來，電動汽車以其清潔、環(huán)保、高效的優(yōu)勢，在許多國家逐漸得到發(fā)展和廣泛應用。相關的配套充電設施也變得越來越重要，需要建設便捷的充電基礎設施來提高用戶充電體驗[1-2]。電動汽車充電設施作為國家發(fā)展的基礎設施，其安全性、可靠性和兼容性等受到監(jiān)管部門、車企、交通部門等相關單位的高度重視。目前，電動汽車充電設施的規(guī)劃、建設和運維仍面臨著眾多問題，例如，充電站運維水平相對落后、充電樁狀態(tài)評估技術滯后、充電樁故障率高、例行檢驗不合格項目多、部分充電樁存在安全隱患等[3]。這些問題難以滿足當前對充電設施的管理要求，會造成不良的社會影響，甚至導致事故的發(fā)生。

目前，充電樁故障檢測方法大多基于人為經驗判斷，利用深度學習技術進行故障識別的方法不多[4-5]。早期已經提出的充電樁運行狀態(tài)或故障檢測方法存在一定缺陷，都是通過人工檢測和建立分析模型來預測故障[6]。這些方法或模型在一定程度上可以判斷充電樁故障，但對充電樁運行狀態(tài)參數(shù)涉及不多，僅包含關鍵元器件的故障檢測，其考察的故障檢測范圍也不夠明確，判斷準確率并不高[7]。同樣，隨著充電樁數(shù)量的增加和充電設施系統(tǒng)的日益復雜，上述方法也難以批量化檢測故障。因此，需要更有效的方法來進行故障檢測與運行狀態(tài)評估。

深度學習已經成為人工研究領域的研究熱點，廣泛應用于圖像分類、視頻識別和智能機器人等方面。采用神經網(wǎng)絡學習特征提取和分類的方法，在模式識別[8]、圖像分類[9]等許多領域取得了非常好的效果。其中，卷積神經網(wǎng)絡(CNN)是前饋神經網(wǎng)絡的一種可靠變體，由LeCun等最先提出[10]，具有特征提取的優(yōu)勢并成為解決分類問題的強大模型。在過去的二十年中，CNN已成功用于解決許多研究領域的分類問題，其優(yōu)勢在于其能夠捕獲輸入數(shù)據(jù)特征的局部依賴性。長短期記憶網(wǎng)絡(LSTM)是循環(huán)神經網(wǎng)絡(RNN)的變體[11]，自提出以來，已廣泛用于時間序列預測，解決RNN學習過程中反向傳播長時間滯后導致梯度爆炸或減小的問題，并被證明在長期和短期預測中表現(xiàn)良好。

本文提出了一種基于CNN和LSTM的混合網(wǎng)絡，建立以數(shù)據(jù)驅動的設備狀態(tài)預測模型，實現(xiàn)對充電樁運行狀態(tài)的預測。試驗結果表明，該方法顯著提高了充電樁運行狀態(tài)預測的效率和準確性。

1 充電樁運行狀態(tài)指標體系

結合充電樁的故障程度、維修經驗和專家分析，給出了狀態(tài)分級策略。充電樁每個指標都根據(jù)操作狀態(tài)閾值水平進行標準化，根據(jù)運行參數(shù)的優(yōu)劣狀況，可分為健康、正常、輕微故障和嚴重故障四種風險等級[12-13]。對應的狀態(tài)集為State={S1, S2, S3, S4}={健康，正常，輕微故障，嚴重故障}。

健康S1，表示充電樁全部運行參數(shù)處于合理范圍內，與設定值非常接近，穩(wěn)定運行且無需檢查，檢查周期可能會延遲很長時間；正常S2，表示充電樁運行狀態(tài)的個別參數(shù)超過設定值，但沒有惡化的趨勢，檢查時間可以延遲或者可以計劃維護保養(yǎng)；輕微故障S3，表示充電樁的運行參數(shù)達到設定值，發(fā)生多次故障并有惡化的趨勢，處于待維修狀態(tài)，需要進一步觀察或安排一次維修；嚴重故障S4，表示充電樁運行參數(shù)達到設定值，部分功能已失效或嚴重故障，無法正常工作，應立即停機檢查。充電樁運行狀態(tài)與對應的檢修策略如表1所示。

表1 充電樁狀態(tài)與對應的檢修策略

充電樁的運行狀況信息數(shù)據(jù)主要包括以下方面：通用選型配置、關鍵部件質量、運行環(huán)境和其他評價等，如表2所示。

基于圖1所示的充電樁不同維度的多源狀態(tài)信息模型，可挖掘出表征充電樁運行狀態(tài)的特征信息。

表2 充電樁的運行狀況信息數(shù)據(jù)量化標準表

圖1 充電樁運行狀態(tài)信息模型

針對復雜的設備狀態(tài)綜合評估問題，本文將指標評估系統(tǒng)劃分成三層結構：第一層為最高層(目標層)，決策的目的、要解決的問題；第二層為中間層(子目標層)，考慮的因素、決策的準則；第三層為最低層(指標層)，決策時的備選方案。在根據(jù)問題的性質與目標進行實際評估工作時，首先將研究問題分解為不同的組成因素，然后對分解的因素進行分析。

2 充電樁運行狀態(tài)指標權重

層次分析法(AHP)是對各參量指標賦予相應權重的方法[14]。層次分析過程是一種多標準決策方法，其中因素按層次結構排列，從總體目標到連續(xù)級別的標準、子標準和備選方案。AHP理論為社會學、管理科學和經濟學等領域提供一種方法論，其框架為確定最佳選擇、設置優(yōu)先級、分配資源等問題提供解決方案。

傳統(tǒng)的層次分析法利用九標度法構造判斷矩陣，但是必定存在較強的主觀性，本文在此基礎上進行改進。首先，通過采取三標度法來降低其主觀因素，減少傳統(tǒng)尺度的飽和；其次，為專家級判斷提供了更方便的方法，在一致性檢驗不符且需要不斷修正判斷矩陣時，直接得到權重向量，從而提高計算效率，具體過程如下。

(1) 構造判斷矩陣。對于n個狀態(tài)指標量an，指標ai與指標aj兩兩相互之間進行比較，構造各個指標的重要程度，即形成判斷矩陣X：

(1)

式中:xij表示第i個狀態(tài)指標與第j個狀態(tài)指標的重要程度比較結果，i、j=1,2,…,n。

(2) 確定排序數(shù)。在得到判斷矩陣后，解答出來第i種指標和其他指標量的比較結果進行求和，取得排序指數(shù)bi：

(2)

(3) 確定評判矩陣。利用排序數(shù)進行求解評判矩陣中的元素yij：

(3)

根據(jù)計算的評判矩陣Yij結果構造擬優(yōu)一致矩陣Y′ij：

(4)

dij=InYij

(5)

3 基于CNN和LSTM混合網(wǎng)絡

3.1 CNN

一般來講，CNN包括兩個主要部分：特征提取部分和分類部分。特征提取部分由一層或多層卷積層和池化層組成，提取的輸出(特征圖)成為分類部分的輸入。分類部分由全連接層組成。

假設給定訓練數(shù)據(jù)集{xn},n=1,2,…,N和相應的標簽集{tn}作為目標。利用神經網(wǎng)絡通過最小化均方誤差或制定的E函數(shù)進行訓練，如下所示：

(6)

式中：y(xn,w)是給定向量輸入xn和訓練算法產生的向量權重w和tn,對應的實際標簽(類)作為CNN輸出的預測標簽(類)。

3.2 LSTM網(wǎng)絡

LSTM網(wǎng)絡可以看作是由多個LSTM單元連接組成,每個LSTM單元都具有三個控制信息流的門：輸入門it、遺忘門fi和輸出門ot，其結構如圖2所示。

圖2 LSTM基本結構

ft=σ(wf×[ht-1,xt]+bf)

(7)

it=σ(wi×[ht-1,xt]+bi)

(8)

ot=σ(woxt+bo)

(9)

(10)

然后，遺忘門規(guī)則計算要從單元狀態(tài)中刪除的先前內存值，輸入門確定單元狀態(tài)的新輸入。單元狀態(tài)的計算如下：

(11)

(12)

給定wy是ht降維的投影矩陣。

3.3 CNN和LSTM混合網(wǎng)絡

CNN和LSTM混合網(wǎng)絡的預測模型有兩個組成部分，分別為CNN和LSTM，在充電樁運行狀態(tài)預測模型中扮演著不同的角色。其中，CNN能夠高效挖掘輸入序列的潛在信息，LSTM網(wǎng)絡可以更好地預測輸入序列的特征信息，其結構如圖3所示。三個卷積層都設為16組卷積核，卷積核大小分別設為8×8、5×5和3×3，其后緊跟一個Batch Normalization函數(shù)[15]和一個ReLU激活函數(shù)[16]，每個卷積層后面接著最大池化層，3個LSTM網(wǎng)絡的隱層神經元個數(shù)為128，以及全連接層。

圖3 CNN和LSTM混合網(wǎng)絡的基本結構

4 基于CNN和LSTM混合網(wǎng)絡的充電樁運行狀態(tài)預測實現(xiàn)

4.1 模型建立

本文狀態(tài)預測的輸入輸出量規(guī)定如下：輸入量包括狀態(tài)中通用選型配置、充電樁的關鍵部件質量、充電樁的運行環(huán)境和其他評價，以及與充電樁時間序列的關聯(lián)性，輸出量則為預測下一時間段的充電樁運行狀態(tài)。預測充電樁運行狀態(tài)的時候，只需要明確關鍵性指標對充電樁綜合評價的影響，無需關注指標之間的潛在關系。利用CNN提取輸入信息的特征量，再選擇適合處理時序預測問題且結構相對簡單的LSTM作為狀態(tài)預測的深度學習網(wǎng)絡。

可以利用非線性變換的各指標屬性，以及結合具有時間序列的LSTM網(wǎng)絡，通過Softmax分類器映射到充電樁狀態(tài)集的概率值，以最大概率準則確定充電樁的狀態(tài)信息[17]。圖4展示了基于CNN和LSTM混合網(wǎng)絡的充電樁運行狀態(tài)預測架構，該架構具體實施步驟如下。

圖4 基于CNN和LSTM混合網(wǎng)絡的充電樁運行狀態(tài)預測架構

(1) 收集并選取充電樁歷史運行狀態(tài)數(shù)據(jù)作為樣本，將樣本劃分為訓練集和測試集。

(2) 將訓練樣本中通用選型配置信息及關鍵部件質量、運行環(huán)境、其他評價作為輸入?yún)?shù)量，通過構建時間序列對充電樁運行狀態(tài)做預處理。為了降低通用選型配置信息數(shù)據(jù)分散性對模型的影響，采用離差標準化方法進行歸一化處理，如下式所示：

(13)

(3) 對關鍵部件質量指標進行統(tǒng)計數(shù)據(jù)，通過支持向量機擬合得到充電樁不同狀態(tài)分布函數(shù)。

(4) 對運行環(huán)境和其他評價采用模糊統(tǒng)計方法進行評估。

(5) 利用改進的AHP法確定通用選型配置、關鍵部件質量、運行環(huán)境和其他評價指標參數(shù)中的各指標權重系數(shù)。

(6) 得到步驟(3)、步驟(4)中的結果數(shù)據(jù)后，再根據(jù)步驟(5)不同的權重系數(shù)分配全權求得充電樁S1～S4的運行狀態(tài)的模糊評判結果作為數(shù)據(jù)標簽。

(7) 利用CNN和LSTM混合網(wǎng)絡對歷史數(shù)據(jù)訓練集進行訓練操作，提取關鍵指標量與充電樁狀態(tài)的非線性且抽象表示的特征信息，得到預測模型的參數(shù)。

(8) 通過CNN和LSTM混合網(wǎng)絡預測模型，來預測測試集中的充電樁運行狀態(tài)，并驗證預測模型準確度。

4.2 算例分析

本文運用平均絕對誤差(MAE)和均方根誤差(RMSE)來研究與驗證預測模型的準確性[18]。其定義如下：

(15)

本文以實際充電站現(xiàn)場收集得到的626例確認存在嚴重故障的數(shù)據(jù)和174例在線運營平臺出現(xiàn)預警、報警后跟蹤觀察到的數(shù)據(jù)組成800例樣本數(shù)據(jù)庫。

針對樣本數(shù)據(jù)庫中的800例充電樁數(shù)據(jù)進行隨機劃分處理，選取640例充電樁運行狀態(tài)數(shù)據(jù)構成訓練集，剩下的160例充電樁數(shù)據(jù)構成測試集。利用CNN對充電樁的通用選型配置、關鍵部件質量、運行環(huán)境和其他評價的關鍵指標進行特征信息的提取。另外，為了加快CNN和LSTM混合網(wǎng)絡的學習速率，避免網(wǎng)絡在學習過程中出現(xiàn)過擬合情況，加入dropout層，信號損失率設為0.2。輸出層規(guī)模為4，迭代次數(shù)為100。

表3所示為BP、ARIMA和CNN-LSTM方法對充電樁運行狀態(tài)進行一個月預測的MAE和RMSE的結果。在相同的測試集中，與BP神經網(wǎng)絡和ARIMA模型相比，CNN-LSTM預測模型得到的MAE和RMSE的結果最低，最接近實際充電樁故障情況。

表3 不同預測方法的誤差結果

由圖5可知，當預測時間尺度為一周時，其預測準確率按BP、ARIMA、CNN-LSTM模型依次提高，其中，CNN-LSTM模型與BP模型和ARIMA模型進行比較，在訓練集上狀態(tài)預測準確率分別提高了10.7%和6.2%，在相同的測試集上預測準確率分別提升了10.6%和6.3%。

隨著預測尺度增加，BP、ARIMA和CNN-LSTM模型在測試集上的準確率見圖6所示。由圖6可知，當預測時間周期增加時，三種模型預測準確率均有所下降，其中，CNN-LSTM模型的準確率均高于其他預測模型。

圖5 充電樁狀態(tài)預測準確率(預測尺度：一周)

圖6 各種模型在測試集上預測準確率

5 結 語

本文提出的一種基于CNN和LSTM混合網(wǎng)絡的電動汽車充電樁運行狀態(tài)預測方法，解決了充電樁故障檢測效率低、精度差的問題。首先，通過獲取充電樁的相關歷史典型故障數(shù)據(jù)、信息參數(shù)和運行環(huán)境等運行狀態(tài)數(shù)據(jù)，分析充電樁故障發(fā)生的影響因素并確定充電樁運行狀態(tài)的關鍵指標量，再對關鍵指標量進行量化量級處理，利用改進的層次分析法來確定充電樁關鍵指標量的權重；其次，搭建一種結合CNN和LSTM的混合網(wǎng)絡架構，CNN主要對充電樁運行狀態(tài)的關鍵指標進行特征挖掘和提取，LSTM網(wǎng)絡將關鍵特征量與時間維度相關聯(lián)，利用CNN和LSTM混合網(wǎng)絡對訓練樣本進行訓練，并與其他模型的訓練效果進行比較。試驗結果表明，該模型效率高，實用性強，能較準確地反映充電樁的運行狀態(tài)，可用于電動汽車充電樁的故障預測與運維檢修。然而充電樁的運行參數(shù)數(shù)據(jù)資源有限，無法根據(jù)實際場站運行場景進行進一步的補充和完善，得到更全面更穩(wěn)定的狀態(tài)評價或預測。