基于深度神經(jīng)網(wǎng)絡(luò)的直流充電樁遠(yuǎn)程計(jì)量性能檢定方法

陳 熙,劉秀蘭,2,陳慧敏,程 林,李香龍,劉進(jìn)剛

(1.國網(wǎng)北京市電力公司電力科學(xué)研究院,北京 100075; 2.華北電力大學(xué)(北京)電氣與電子工程學(xué)院,北京 102206; 3.中國電建集團(tuán)貴陽勘測設(shè)計(jì)研究院有限公司,貴州 貴陽 550081)

當(dāng)前,在“低碳經(jīng)濟(jì)”的發(fā)展理念下,電動(dòng)汽車逐漸成為一種流行的交通方式[1-2],在電動(dòng)汽車充電樁上產(chǎn)生的充電交易結(jié)算規(guī)模越來越大[3]。為避免交易過程中因充電樁計(jì)量偏差過大而給用戶或者電網(wǎng)經(jīng)營公司帶來直接經(jīng)濟(jì)損失,直流充電樁的計(jì)量性能需定期逐臺(tái)進(jìn)行現(xiàn)場檢定[4-5]。

一般而言,計(jì)量器具的檢定多采用“量值傳遞”方法,因此,傳統(tǒng)充電樁的檢定通常利用標(biāo)準(zhǔn)檢定裝置作為傳遞量具,依據(jù)相應(yīng)的檢定規(guī)程進(jìn)行充電樁計(jì)量性能的現(xiàn)場檢定[6]。但是,充電樁建設(shè)數(shù)量大、工作空間分布廣、運(yùn)行環(huán)境復(fù)雜等問題,使得這種方式需要占用大量的人力、物力,極大地提高了運(yùn)營單位的成本[7]。近年來,關(guān)于交、直流充電樁的檢定研究主要是通過優(yōu)化標(biāo)準(zhǔn)檢定裝置及檢定工序以提高檢定效率,如曾博等[8]提出了一種6表位全自動(dòng)檢定系統(tǒng),提高了直流充電樁的現(xiàn)場檢定效率;林勇等[9]開發(fā)了一種車載直流充電樁計(jì)量檢定平臺(tái),可解決現(xiàn)場檢定工作中取電難的問題,并提高了現(xiàn)場檢定效率。但上述方法仍需去往現(xiàn)場,不能很好地解決檢定工作易受天氣影響且耗時(shí)長等問題。

為克服傳統(tǒng)現(xiàn)場檢定方法存在的問題,葉佳旻等[7]提出了計(jì)量模塊比對和大數(shù)據(jù)篩選兩種新型充電樁檢定方法的設(shè)想。其中,計(jì)量模塊對比法需要在充電樁原有內(nèi)部結(jié)構(gòu)上加裝監(jiān)測用計(jì)量模塊,可遠(yuǎn)程、高效地對充電樁計(jì)量性能合格與否進(jìn)行判斷,但已投入使用的充電樁需要進(jìn)行硬件改造從而增加了經(jīng)費(fèi)投入。大數(shù)據(jù)篩選法可依托已建成的物聯(lián)網(wǎng)、車聯(lián)網(wǎng),采集并保存汽車在充電樁上充電過程中產(chǎn)生的大量數(shù)據(jù),并采用大數(shù)據(jù)分析方法對充電樁的計(jì)量性能進(jìn)行分析評估,更有可能實(shí)現(xiàn)低成本、高效率、遠(yuǎn)距離充電樁的計(jì)量檢定工作。此外,以大數(shù)據(jù)作為支撐建立模型以解決復(fù)雜問題的深度學(xué)習(xí)算法[10-13]已經(jīng)被用來預(yù)測實(shí)際生活中的許多復(fù)雜難題[14-15],如電網(wǎng)負(fù)荷預(yù)測[16]、變壓器故障診斷[17]等,大數(shù)據(jù)分析問題的可行性被不斷得到證實(shí)。

本文在現(xiàn)有研究基礎(chǔ)上,以特定電動(dòng)汽車作為“量值傳遞”的載具,采用其在直流充電樁上充電產(chǎn)生的大數(shù)據(jù)和深度學(xué)習(xí)方法[18],建立“實(shí)際”輸出電能計(jì)算的深度神經(jīng)網(wǎng)絡(luò)模型,進(jìn)而得出計(jì)算結(jié)果與直流充電樁示值電能之間的平均相對誤差作為充電樁的示值誤差,通過相關(guān)規(guī)程與模型計(jì)算示值誤差對直流充電樁的計(jì)量性能進(jìn)行檢定。

1 直流充電樁遠(yuǎn)程計(jì)量性能檢定方法

傳統(tǒng)的直流充電樁現(xiàn)場逐臺(tái)檢定工作易受天氣、環(huán)境等因素影響而效率低下,為克服傳統(tǒng)檢定工作存在的問題,本文提出了一種遠(yuǎn)程、高效的直流充電樁計(jì)量性能檢定方法,該方法的實(shí)現(xiàn)流程(圖1)如下:將特定電動(dòng)汽車作為“量值傳遞”的量具(假設(shè)在“量值傳遞”期內(nèi)該車的電池狀態(tài)穩(wěn)定),利用該車輛在已檢合格充電樁(以下稱“合格樁”)上進(jìn)行充電的數(shù)據(jù)建立車輛在合格樁上充電的累計(jì)電能計(jì)算公式。假設(shè)該車輛在合格樁上充電時(shí)的累計(jì)電能示值為“實(shí)際”電能輸出值Er,利用計(jì)算公式可得到該車在待測充電樁(以下稱“待測樁”)上充電的計(jì)算電能值Ec,進(jìn)而可由誤差公式得到其與累計(jì)電能示值Ed的平均相對誤差(mean relative error, MRE)。

圖1 直流充電樁遠(yuǎn)程計(jì)量性能檢定方法實(shí)現(xiàn)流程Fig.1 Schematic diagram of remote meteringperformance evaluation method of DC charging piles

該方法主要包含3個(gè)模塊,各模塊的主要作用及特點(diǎn)如下:

a.數(shù)據(jù)采集與處理。該模塊為性能檢定方法的基礎(chǔ),需要通過傳感器或充電樁狀態(tài)監(jiān)測物聯(lián)網(wǎng),采集電動(dòng)汽車在直流充電樁上的充電過程交互數(shù)據(jù),得到的信息包括充電樁輸出電壓u、電流i、電池荷電狀態(tài)(state of charge,SOC)值CSOC、充電時(shí)長t、電池組最高溫度Tmax、電池組最低溫度Tmin及累計(jì)電能示值Ed。將數(shù)據(jù)進(jìn)行預(yù)處理后存儲(chǔ)至云端數(shù)據(jù)庫,以便后續(xù)調(diào)用數(shù)據(jù)進(jìn)行模型構(gòu)建。

b.累計(jì)電能計(jì)算模型。采用電動(dòng)汽車在合格樁上的充電數(shù)據(jù)作為訓(xùn)練樁數(shù)據(jù),將累計(jì)電能示值作為“實(shí)際”輸出電能,即Ed=Er,以此擬合得到累計(jì)電能與其他各相關(guān)變量的函數(shù)關(guān)系(式(1))。由于累計(jì)電能與其他變量關(guān)系相對復(fù)雜,故本文采用深度神經(jīng)網(wǎng)絡(luò)(deep neural networks, DNN)模型[13]訓(xùn)練,建立特定車輛在合格樁上的累計(jì)電能變化函數(shù)關(guān)系:

Ec=g(u,i,t,CSOC,Tmax,Tmin)

(1)

c.直流充電樁計(jì)量性能檢定。利用式(1)計(jì)算電能值Ec,將待測樁上的累計(jì)電能示值Ed與Ec之間的MRE與檢定規(guī)程要求的合格樁最大示值誤差進(jìn)行對比,遠(yuǎn)程完成直流充電樁的計(jì)量性能檢定工作。

2 數(shù)據(jù)采集及預(yù)處理

2.1 數(shù)據(jù)來源

為真實(shí)反映現(xiàn)場充電過程中的累計(jì)電能變化關(guān)系,本文進(jìn)行了30d現(xiàn)場試驗(yàn),采集了7輛電動(dòng)汽車(編號(hào):EV1、EV2、EV3、EV4、EV5、EV6、EV7)及14個(gè)不同直流充電樁(編號(hào):11號(hào)、12號(hào)、1737、1738、1740、1741、5092、5093、5099、5091、5993、15994、15998、15999)共計(jì)125次充電過程的原始數(shù)據(jù)。數(shù)據(jù)采集時(shí)間間隔為250ms,每次充電過程時(shí)長為0.5～1.5h,故每次充電過程可獲得約7000～20000個(gè)原始數(shù)據(jù)。

2.2 數(shù)據(jù)預(yù)處理

原始數(shù)據(jù)中對各電動(dòng)汽車的充電過程次數(shù)采樣不均,需對無效、錯(cuò)誤以及可能會(huì)加大計(jì)算誤差的部分?jǐn)?shù)據(jù)進(jìn)行篩選清除,以保證后續(xù)累計(jì)電能計(jì)算的精度,如EV7及充電樁5091、5099、1737、1738、1740、1741充電次數(shù)過少(僅1、2次),故刪除了相應(yīng)數(shù)據(jù)。

某次充電過程各變量隨充電時(shí)長的變化如圖2所示。由于原始數(shù)據(jù)采集時(shí)間間隔非常小,充電過程中各變量隨充電時(shí)長的變化為階梯狀,即同一Ed存在多組不同的u、i、CSOC、t、Tmax、Tmin,后續(xù)累計(jì)電能的回歸模型訓(xùn)練難以進(jìn)行。因此,研究中按CSOC每變化1%進(jìn)行數(shù)據(jù)提取(0≤CSOC≤100%),得到充電過程累計(jì)電能計(jì)算的有效數(shù)據(jù)。

圖2 某次充電過程中各變量隨充電時(shí)長的變化Fig.2 Change of each variable with charging time during a charging process

2.3 變量相關(guān)性分析

本研究的核心是建立合格樁上的“實(shí)際”累計(jì)電能與其他各變量的關(guān)系模型,屬于回歸問題,可利用變量間的相關(guān)性分析進(jìn)行變量篩選。圖3為EV4在合格樁15998上某次充電過程中電能隨各變量的變化關(guān)系,電能與CSOC、u、Tmax、Tmin、t、i的相關(guān)系數(shù)R分別為0.9864、0.9718、0.9752、0.9726、0.9247和-0.6903。

圖3 EV4充電過程電能Ed隨各變量的變化Fig.3 Change of electric energy Ed with other variables in the charging process of EV4

由圖3可知,充電過程中Ed與u、t、Tmax、Tmin均表現(xiàn)為正相關(guān)性,而與i呈現(xiàn)出一定程度的負(fù)相關(guān)性。從R的絕對值大小來看,Ed與CSOC的相關(guān)程度最高,其次是u、Tmax、Tmin、t,i與Ed的相關(guān)性程度最低(R絕對值小于0.7)。根據(jù)統(tǒng)計(jì)學(xué)理論,R絕對值超過0.8時(shí),變量具有高度相關(guān)性[19],在回歸分析中不可忽略。直流充電樁充電時(shí)一般為“快充”形式,需要采用控制系統(tǒng)對其輸出電流按充電準(zhǔn)備、充電、充電結(jié)束等主要階段進(jìn)行控制(圖3(b)階梯形變化),使得Ed與i的相關(guān)系數(shù)最小,此外,理論上u與i存在一定耦合關(guān)系[6]。因此,后續(xù)模型建立中,為減少模型訓(xùn)練時(shí)間和保證擬合精度,選擇相關(guān)系數(shù)更高的u,而暫不考慮i。

3 累計(jì)電能計(jì)算的DNN模型

3.1 數(shù)據(jù)特征輸入

3.1.1 數(shù)據(jù)集劃分

本文利用合格樁上的充電過程數(shù)據(jù)建立累計(jì)電能與各變量間的關(guān)系,進(jìn)而計(jì)算待測樁Ed誤差。因此,同一車輛模型的訓(xùn)練數(shù)據(jù)集為經(jīng)現(xiàn)場檢定,電能計(jì)量誤差合格的充電樁上的充電數(shù)據(jù)(實(shí)際檢定示值MRE絕對值小于1%,如表1所示),而用于模型效果評估的數(shù)據(jù)集則同時(shí)包含了合格與不合格的待測樁的數(shù)據(jù)。訓(xùn)練數(shù)據(jù)集用于特定車輛電能計(jì)算模型的學(xué)習(xí)訓(xùn)練,評估數(shù)據(jù)集用于待測樁的“實(shí)際”累計(jì)電能的計(jì)算,而后與充電樁顯示電能進(jìn)行比對,從而對待測樁的計(jì)量性能進(jìn)行檢定。以各電動(dòng)汽車作為“量值傳遞”的量具建立的累計(jì)電能計(jì)算模型中,訓(xùn)練數(shù)據(jù)集采用70%的合格樁充電數(shù)據(jù),30%的合格樁充電數(shù)據(jù)以及全部不合格樁充電數(shù)據(jù)劃入效果評估數(shù)據(jù)集。

表1 各直流充電樁實(shí)際檢定示值MRE及檢定結(jié)果

3.1.2 數(shù)據(jù)歸一化處理

由于各輸入變量的計(jì)量單位不同,數(shù)值相差較大,為排除數(shù)值大小對神經(jīng)網(wǎng)絡(luò)權(quán)重的影響,必須先對變量數(shù)據(jù)做歸一化處理,即利用重定比例的方法使每種輸入變量使用相同的計(jì)量標(biāo)準(zhǔn)。重定比例的方法有很多,一般采用標(biāo)準(zhǔn)化方法[20],將輸入特征變量數(shù)據(jù)集轉(zhuǎn)化為平均值為0、標(biāo)準(zhǔn)差為1的數(shù)據(jù)集。

3.2 神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)

由圖3及各變量與累計(jì)電能的相關(guān)性分析結(jié)果可知,充電過程中累計(jì)電能與充電電流的相關(guān)性很低,為提高計(jì)算擬合精度,暫不考慮該變量。因此,神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)如下:輸出層的神經(jīng)元數(shù)量為1,輸入層的神經(jīng)元數(shù)量為5,與輸入變量數(shù)量一致(將u、t、Tmax、CSOC、Tmin作為輸入變量),中間隱含層的層數(shù)以及各層神經(jīng)元數(shù)量決定著DNN模型的學(xué)習(xí)預(yù)測能力,通常根據(jù)經(jīng)驗(yàn)以及神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化過程選取。

3.3 模型參數(shù)設(shè)置

在DNN模型中,網(wǎng)絡(luò)中間隱含層的層數(shù)及各層神經(jīng)元數(shù)量、各層所用激活函數(shù)、優(yōu)化器、損失函數(shù)等常被稱為模型的超參數(shù),它們共同決定著神經(jīng)網(wǎng)絡(luò)對于輸入變量與輸出變量間映射關(guān)系求解能力的強(qiáng)弱。利用電動(dòng)汽車EV2在合格樁上的充電數(shù)據(jù)對DNN模型進(jìn)行超參數(shù)擇優(yōu)。一般而言,在DNN模型建立過程中,超參數(shù)是局部尋優(yōu)而非全局最優(yōu)解,即首先通過經(jīng)驗(yàn)選擇一定超參數(shù)范圍后,采用試錯(cuò)法進(jìn)行尋優(yōu)操作?；貧w分析問題中,通常采用均方誤差(mean square error, MSE)作為損失函數(shù),平均絕對誤差(mean absolute error, MAE)作為評價(jià)指標(biāo),MSE、MAE可表征預(yù)測值與實(shí)際值的偏差,當(dāng)偏差值局部最小時(shí),可認(rèn)為超參數(shù)使模型具有最優(yōu)效果。

3.3.1 隱含層層數(shù)及神經(jīng)元數(shù)量

分別構(gòu)建具有2、3層隱含層的DNN模型并在各隱含層搭配適當(dāng)?shù)募せ詈瘮?shù)。對中間隱含層各層的神經(jīng)元數(shù)量,業(yè)內(nèi)廣泛運(yùn)用的經(jīng)驗(yàn)計(jì)算公式[21]為

(2)

H=log2HI

(3)

(4)

式中:H為隱含層神經(jīng)元數(shù)量;HI、HO分別為輸入、輸出層神經(jīng)元數(shù)量,文中HI= 5,HO=1;α為常數(shù),取值范圍為[1,10]。

由式(2)～ (4)得到H在2.24～12.45范圍內(nèi)模型效果較優(yōu),采用試錯(cuò)法設(shè)置不同的隱含層數(shù)及各層神經(jīng)元數(shù)量,對比模型計(jì)算同一批數(shù)據(jù)的結(jié)果與實(shí)際結(jié)果間的誤差,擇優(yōu)選擇隱含層層數(shù)及各層神經(jīng)元數(shù)量。將各層神經(jīng)元數(shù)量由H計(jì)算范圍取整并適當(dāng)擴(kuò)大為4、8、16。圖4、圖5分別給出了其他超參數(shù)固定不變時(shí),2層和3層隱含層及各層不同神經(jīng)元數(shù)量對應(yīng)的DNN模型評估數(shù)據(jù)集的偏差大小(H3為第三隱含層神經(jīng)元數(shù)量)。隱含層激活函數(shù)設(shè)置為線性整流函數(shù)ReLU、損失函數(shù)為MSE、優(yōu)化器為隨機(jī)梯度下降(stochastic gradient descent, SGD)算法、評估準(zhǔn)則為MAE、每批次訓(xùn)練20組數(shù)據(jù)、最大迭代次數(shù)為500。可以看出,當(dāng)DNN具有3層隱含層,各層神經(jīng)元數(shù)量分別為16、16、8時(shí),模型結(jié)構(gòu)最優(yōu)(評估數(shù)據(jù)集的MSE及MAE相對最小)。最優(yōu)兩層隱含層的DNN模型評估數(shù)據(jù)集的MAE值為0.666kW·h(隱含層分別有16、8個(gè)神經(jīng)元),而最優(yōu)3層隱含層的DNN模型評估數(shù)據(jù)集的MAE值則為0.543 kW·h,3層隱含層的DNN模型計(jì)算精度提升約20%。因此,本文采用3層隱含層的DNN模型。

圖4 兩層隱含層和各層不同神經(jīng)元數(shù)量模型評估數(shù)據(jù)集偏差Fig.4 Bias of dataset assessed by the model with two hidden layers and different number of neurons in each layer

圖5 3層隱含層和各層不同神經(jīng)元數(shù)量模型評估數(shù)據(jù)集偏差Fig.5 Bias of dataset assessed by the model with three hidden layers and different number of neurons in each layer

3.3.2 其他超參數(shù)擇優(yōu)

類似地,激活函數(shù)、優(yōu)化器等超參數(shù)的擇優(yōu)在上述最優(yōu)網(wǎng)絡(luò)架構(gòu)下進(jìn)行。其中,激活函數(shù)選用了較為常用的tanh、ReLU、sigmoid 3種進(jìn)行組合嘗試,優(yōu)化器則分別選用了SGD、Adam、RMSprop、Adagrad、Adadelta、Nadam、Adamax。結(jié)果表明,激活函數(shù)組合為ReLU-tanh-tanh時(shí),模型評估數(shù)據(jù)集的偏差最小(MSE、MAE分別為0.445 (kW·h)2、0.447 kW·h);優(yōu)化器為SGD時(shí)模型評估數(shù)據(jù)集的偏差最小(MSE、MAE分別為0.698 (kW·h)2、0.568 kW·h)。

綜上,最佳DNN模型架構(gòu)為:輸入層5個(gè)神經(jīng)元,第一、第二隱含層16個(gè)神經(jīng)元,第三隱含層8個(gè)神經(jīng)元,輸出層1個(gè)神經(jīng)元。其他超參數(shù)配置如下:第一隱含層采用ReLU激活函數(shù),第二、第三隱含層采用tanh激活函數(shù),損失函數(shù)指標(biāo)采用MSE,優(yōu)化器為SGD算法,評估指標(biāo)采用MAE,每批次訓(xùn)練20組數(shù)據(jù),最大迭代次數(shù)為500。

4 結(jié)果與分析

4.1 累計(jì)電能計(jì)算的DNN模型訓(xùn)練

經(jīng)過數(shù)據(jù)預(yù)處理后,數(shù)據(jù)中僅包含6輛不同的電動(dòng)汽車和8個(gè)不同的直流充電樁。對不同電動(dòng)汽車分別進(jìn)行累計(jì)電能計(jì)算的DNN模型訓(xùn)練。圖6為不同車輛數(shù)據(jù)訓(xùn)練的DNN模型輸出累計(jì)電能Ec與合格樁累計(jì)電能示值Ed的對比。從圖6可以看出,模型輸出的累計(jì)電能值與合格樁顯示的累計(jì)電能示值接近,擬合精度較高(各車輛模型輸出累計(jì)電能的決定系數(shù)R2>0.9980),誤差較小(各車輛模型輸出累計(jì)電能的MAE小于0.0580kW·h)。因此,將構(gòu)建的DNN模型用于待測樁“實(shí)際”累計(jì)電能的計(jì)算。

圖6 不同車輛數(shù)據(jù)訓(xùn)練的DNN模型Ec與Ed對比Fig.6 Ec and Ed comparison of DNN models trained on different vehicle data

4.2 待測樁的MRE計(jì)算

利用訓(xùn)練好的DNN模型對相應(yīng)車輛在不同待測樁充電的“實(shí)際”累計(jì)電能進(jìn)行計(jì)算,并計(jì)算其與充電樁累計(jì)電能示值的MRE,計(jì)算結(jié)果如表2所示。由表2可知,在利用 DNN模型計(jì)算各充電樁“實(shí)際”累計(jì)電能時(shí),同一充電樁上會(huì)有不同的電動(dòng)汽車進(jìn)行充電作業(yè)(即電動(dòng)汽車與直流充電樁不是一一對應(yīng)關(guān)系,這是實(shí)現(xiàn)“量值傳遞”的前提),使得不同車輛數(shù)據(jù)訓(xùn)練的DNN模型對于相同充電樁計(jì)算得到的MRE具有不同值。

表2 各待測樁累計(jì)電能計(jì)算結(jié)果示值MRE

4.3 待測樁的計(jì)量性能檢定效果評估

將各車輛數(shù)據(jù)訓(xùn)練的DNN模型計(jì)算所得的某待測樁“實(shí)際”累計(jì)電能示值MRE求平均值從而消除不同車輛數(shù)據(jù)訓(xùn)練模型的影響,得到各待測樁最終的“實(shí)際”累計(jì)電能示值MRE,結(jié)果如表3所示。由表3可知,模型計(jì)算得到的各待測樁示值MRE與實(shí)際檢定示值MRE(表1)間差值的絕對值小于1%(除15998號(hào)充電樁的差值為-0.747%,其余各樁的差值均在-0.5%～0.5%間),表明模型計(jì)算結(jié)果可靠。本文建立的DNN模型對8個(gè)待測樁的計(jì)量性能評估結(jié)果與實(shí)際檢定結(jié)果完全一致,證實(shí)了所提出的直流充電樁遠(yuǎn)程計(jì)量性能檢定方法的可行性。

表3 DNN模型對各待測樁的計(jì)算和檢定結(jié)果

5 結(jié) 論

a.電動(dòng)汽車充電過程中電池荷電狀態(tài)對充電樁累計(jì)電能影響最大,電流的影響最小。

b.基于 “量值傳遞”原理構(gòu)建的直流充電樁累計(jì)電能計(jì)算的DNN模型,可通過遠(yuǎn)程數(shù)據(jù)采集,對待測樁的“實(shí)際”累計(jì)電能進(jìn)行準(zhǔn)確計(jì)算,計(jì)算結(jié)果的示值誤差與實(shí)際檢定示值誤差間差值的絕對值小于1%。本文提出的直流充電樁遠(yuǎn)程計(jì)量性能檢定方法可實(shí)現(xiàn)高效的直流充電樁計(jì)量性能評估。