基于混合分類的插電式新能源汽車行為需求預測

唐菲，鄭振

（1.武漢船舶職業(yè)技術學院，湖北 武漢 430050；2.武漢軟件工程職業(yè)學院，湖北 武漢 430205）

0 引 言

插電式新能源汽車（Plug-in New Energy Vehicles,PNEV）是介于純電動車和燃油汽車之間的一種新能源汽車，是減輕碳排放、提高可持續(xù)發(fā)展的有效途徑。從電力系統(tǒng)的角度來看，PNEV 車主的電力需求與傳統(tǒng)電力消費的峰值負載高度一致，其動態(tài)性為預期負載曲線帶來很大的不確定性。關于PNEV 行為建模的研究可分為基于情景的方法和數(shù)據(jù)驅(qū)動的方法?；趫鼍暗姆椒ù蠖嗖捎昧嗣商乜宸ǎ@些方法依賴于根據(jù)參數(shù)（即PNEV 出發(fā)時間、到達時間和行駛距離）的概率分布定義的搜索空間生成大量隨機樣本。例如，可使用正態(tài)分布函數(shù)和高斯分布函數(shù)為每個參數(shù)生成樣本，或使用聯(lián)合概率分布函數(shù)來生成出發(fā)時間和到達時間。這些方法具有較高的計算成本、效率低下，且需要大量的數(shù)據(jù)樣本來覆蓋搜索空間。在數(shù)據(jù)驅(qū)動方法中，部分現(xiàn)有研究使用自回歸綜合移動平均模型等時間序列預測工具對PNEV 的需求進行預測，但是PNEV 行為和需求的不確定性會影響這些工具的準確性。還有研究利用基于神經(jīng)網(wǎng)絡的數(shù)據(jù)驅(qū)動方法來克服上述PNEV 出行行為預測中的不足。但是目前的研究采用了淺層神經(jīng)網(wǎng)絡，其結(jié)構(gòu)無法提取大型數(shù)據(jù)集的主要特征。除此以外，基于神經(jīng)網(wǎng)絡的方法缺乏考慮在PNEV 的隱藏行程模式對電力需求計算的影響。本文提出了基于深度學習的解決方案，以彌補現(xiàn)有研究的不足。深度學習是解決具有復雜相互關系的大維度問題的有力工具。深度學習能夠完全從歷史數(shù)據(jù)中自動提取大維度數(shù)據(jù)的主要特征。本文將真實世界的PNEV 數(shù)據(jù)饋入至深度分類器，以便根據(jù)其中存在的隱藏行為模式自動對數(shù)據(jù)進行聚類，并為每個簇分配一個深度網(wǎng)絡，以捕獲和預測每個簇的獨特行為。為了進一步提高預測結(jié)果的準確性，本文我們利用了深度長短期記憶（Long Short Term Memory,LSTM）網(wǎng)絡，以模擬行為的短期變化以及出行模式特征的長期趨勢。本文提出了一個稱為聚合器的中介機構(gòu)，通過充電計劃和合同，聚合器旨在從技術和經(jīng)濟角度滿足其PNEV 的充電需求。

1 分類和預測方法設計

為了提高充電效率，聚合器需要準確地估計PNEV日前（Day-Ahead,DA）的行駛行為。PNEV 行為和需求預測的流程如圖1所示，該方案采用深度LSTM 網(wǎng)絡進行分類和預測。

圖1 PNEV 行為和需求預測的流程

每個深度LSTM 網(wǎng)絡都是通過堆疊LSTM 塊來構(gòu)建，每個LSTM 塊是一個層。本文使用深度LSTM 網(wǎng)絡進行分類和預測任務，除了網(wǎng)絡的最后一層配置外，這兩個任務中網(wǎng)絡的整體結(jié)構(gòu)是相同的。在預測網(wǎng)絡中，將整流線性單元（Rectified Linear Unit,ReLU）作為最后一層的激活函數(shù)，并使用均方誤差（Mean Squared Error,MSE）函數(shù)來計算訓練誤差；而在分類過程中，分別使用SoftMax 激活函數(shù)和分類交叉熵（Categorical Cross Entropy,CCE）函數(shù)作為網(wǎng)絡最后一層的激活函數(shù)和誤差計算函數(shù)。為了提高所提出方法的魯棒性和穩(wěn)定性，避免訓練過程中的過擬合問題，在損失函數(shù)中附加了L2 正則化項，并應用了概率分別為0.001 和0.5的dropout 技術。

為了發(fā)掘PNEV 行駛數(shù)據(jù)中隱藏的行駛模式，將基于K-means 的無監(jiān)督方法和基于深度LSTM 網(wǎng)絡的有監(jiān)督方法結(jié)合。分類任務的流程如算法1 所示：

在算法1 中，使用K-means 算法以無監(jiān)督的方式對出發(fā)時間數(shù)據(jù)進行聚類，并根據(jù)Davies-Bouldin（DB）索引確定最佳簇數(shù)。該索引定義為簇內(nèi)和簇間距離的比率，即：

對PNEV 數(shù)據(jù)進行分類的是減少每個深度網(wǎng)絡需要學習和預測的數(shù)據(jù)量，從而提高整體預測的準確性。為了預測到達時間和行駛距離，為每個簇分配了兩個深度LSTM 網(wǎng)絡——一個學習出發(fā)時間和到達時間之間的映射來預測到達時間，另一個學習出發(fā)時間、到達時間和行駛距離之間的映射以預測行駛距離。預測過程如算法2 所示：

在測試過程中，兩個深度LSTM 網(wǎng)絡按以下順序執(zhí)行：第一個深度LSTM 網(wǎng)絡將深度分類器提供的出發(fā)時間數(shù)據(jù)作為輸入，并預測相應的到達時間。然后，預測的到達時間與相應的出發(fā)時間一起被饋送到第二個深度LSTM 網(wǎng)絡，以預測與每個數(shù)據(jù)對相關的行進距離。這樣，出發(fā)時間、到達時間和行駛距離之間的相關性被保留在預測的旅行參數(shù)中，以提高預測的準確性。

2 充電需求優(yōu)化問題

最大限度地降低PNEV 車主的充電成本是一個重要的目標。假設聚合器通過利用PNEV 的需求靈活性并在日前能源市場（Day-Ahead energy Market,DAM）和實時市場（RTM）中獲取預期的充電需求來最小化PNEV 的充電成本。

聚合器需要解決如下所示的優(yōu)化問題以確定其DAM 能源投標：

隨后本文建立了如下所示的RTM 優(yōu)化問題，以評估聚合器在投標部署當天的性能：

優(yōu)化問題的目標是最小化RTM 聚合器的成本Cost，該項由3 個成本組成：Cost是指從RTM 獲取額外能源需求的成本；Cost是指無法使用中標的DAM 能源的成本；Cost是指投標部署當天的PNEV 的EENC。

3 實驗評估

實驗評估部分進行數(shù)值模擬，使用了從北京電動汽車監(jiān)控與服務中心收集得到的大量新能源出租車數(shù)據(jù)來訓練提出的深度學習模型的方法。其中，80%的數(shù)據(jù)集用于訓練，10%的用于驗證，10%的用于測試。為了制定最佳的充電任務，考慮了一個中壓配電網(wǎng)絡，該網(wǎng)絡由21 個節(jié)點組成，最大需求為310 kW，每個節(jié)點的滯后功率因數(shù)為0.98。每個饋線段的電流容量為314 安培，允許電壓偏差為5%。為了在網(wǎng)絡中模擬負荷，隨機生成負荷曲線，而DA 和RTM能源價格則從充電樁運營商獲取。低于中標DA 投標的消耗罰款價格設置為給定日期最高能源價格的30%，將最低PNEV 的荷電狀態(tài)（State Of Charge，SOC）設定為75%，將和設置為各自市場最高能源價格的50%。使用CPLEX 工具對優(yōu)化問題進行求解。對于神經(jīng)網(wǎng)絡的訓練，使用了MATLAB 中的Classification Learner分類學習器和Deep Network Designer 工具箱分別用于執(zhí)行LSTM 網(wǎng)絡的分類和訓練程序。分類和預測任務中的深度LSTM 網(wǎng)絡分別由100 和300 個LSTM 區(qū)塊構(gòu)建，其中設置為15。實驗使用作為評估指標，其定義為：

實驗首先通過根據(jù)出發(fā)時間對PNEV 數(shù)據(jù)進行無監(jiān)督聚類，得到五個不同的簇，如圖2所示，表示數(shù)據(jù)集中存在五種隱藏的旅行模式。隨后，使用深度LSTM 網(wǎng)絡進行有監(jiān)督分類任務，結(jié)果如表1所示。由該結(jié)果可知，深度LSTM 網(wǎng)絡具有較高的分類精度和準確性。

表1 分類精度和準確性

圖2 無監(jiān)督聚類結(jié)果

進行分類后，使用深度LSTM 網(wǎng)絡分別為每個簇預測到達時間和行駛距離。為了驗證分類任務的有效性，實驗部分將在分簇后和未分簇的數(shù)據(jù)上進行預測，結(jié)果如表2所示。分簇對預測精度的影響在行駛距離上比到達時間更明顯，即經(jīng)過分簇后，行駛距離的預測精度有顯著提高。

表2 R2 指標對比

4 結(jié) 論

本研究提出了基于深度學習的預測方法，該方法使用深度LSTM 網(wǎng)絡預測PNEV 的行駛行為及其電力需求。實驗結(jié)果表明，所提出的分類方法可以提高預測的準確性。本研究結(jié)果表明，基于深度學習的方法在PNEV 需求建模中提供了出色的性能。在未來的研究工作中，將考慮不同價格的充電產(chǎn)品、充電和換電的服務，結(jié)合PNEV 車主的個人信息，進一步提高分類和預測的性能。