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(xué)研究所(集團(tuán))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(yīng)用。相關(guān)的配套充電設(shè)施也變得越來越重要，需要建設(shè)便捷的充電基礎(chǔ)設(shè)施來提高用戶充電體驗(yàn)[1-2]。電動汽車充電設(shè)施作為國家發(fā)展的基礎(chǔ)設(shè)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(guān)單位的高度重視。目前，電動汽車充電設(shè)施的規(guī)劃、建設(shè)和運(yùn)維仍面臨著眾多問題，例如，充電站運(yùn)維水平相對落后、充電樁狀態(tài)評估技術(shù)滯后、充電樁故障率高、例行檢驗(yàn)不合格項(xiàng)目多、部分充電樁存在安全隱患等[3]。這些問題難以滿足當(dāng)前對充電設(shè)施的管理要求，會造成不良的社會影響，甚至導(dǎo)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(jīng)驗(yàn)判斷，利用深度學(xué)習(xí)技術(shù)進(jìn)行故障識別的方法不多[4-5]。早期已經(jīng)提出的充電樁運(yùn)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(yù)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(yùn)行狀態(tài)參數(shù)涉及不多，僅包含關(guān)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(zhǔn)確率并不高[7]。同樣，隨著充電樁數(shù)量的增加和充電設(shè)施系統(tǒng)的日益復(fù)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(jìn)行故障檢測與運(yùn)行狀態(tài)評估。

深度學(xué)習(xí)已經(jīng)成為人工研究領(lǐng)域的研究熱點(diǎn)，廣泛應(yīng)用于圖像分類、視頻識別和智能機(jī)器人等方面。采用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)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(lǐng)域取得了非常好的效果。其中，卷積神經(jīng)網(wǎng)絡(luò)(CNN)是前饋神經(jīng)網(wǎng)絡(luò)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(qiáng)大模型。在過去的二十年中，CNN已成功用于解決許多研究領(lǐng)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(luò)(LSTM)是循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的變體[11]，自提出以來，已廣泛用于時(shí)間序列預(yù)測，解決RNN學(xué)習(xí)過程中反向傳播長時(shí)間滯后導(dǎo)致梯度爆炸或減小的問題，并被證明在長期和短期預(yù)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(luò)，建立以數(shù)據(jù)驅(qū)動的設(shè)備狀態(tài)預(yù)測模型，實(shí)現(xiàn)對充電樁運(yùn)行狀態(tài)的預(yù)測。試驗(yàn)結(jié)果表明，該方法顯著提高了充電樁運(yùn)行狀態(tài)預(yù)測的效率和準(zhǔn)確性。

1 充電樁運(yùn)行狀態(tài)指標(biāo)體系

結(jié)合充電樁的故障程度、維修經(jīng)驗(yàn)和專家分析，給出了狀態(tài)分級策略。充電樁每個(gè)指標(biāo)都根據(jù)操作狀態(tài)閾值水平進(jìn)行標(biāo)準(zhǔn)化，根據(jù)運(yùn)行參數(shù)的優(yōu)劣狀況，可分為健康、正常、輕微故障和嚴(yán)重故障四種風(fēng)險(xiǎn)等級[12-13]。對應(yīng)的狀態(tài)集為State={S1, S2, S3, S4}={健康，正常，輕微故障，嚴(yán)重故障}。

健康S1，表示充電樁全部運(yùn)行參數(shù)處于合理范圍內(nèi)，與設(shè)定值非常接近，穩(wěn)定運(yùn)行且無需檢查，檢查周期可能會延遲很長時(shí)間；正常S2，表示充電樁運(yùn)行狀態(tài)的個(gè)別參數(shù)超過設(shè)定值，但沒有惡化的趨勢，檢查時(shí)間可以延遲或者可以計(jì)劃維護(hù)保養(yǎng)；輕微故障S3，表示充電樁的運(yùn)行參數(shù)達(dá)到設(shè)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(jìn)一步觀察或安排一次維修；嚴(yán)重故障S4，表示充電樁運(yùn)行參數(shù)達(dá)到設(shè)定值，部分功能已失效或嚴(yán)重故障，無法正常工作，應(yīng)立即停機(jī)檢查。充電樁運(yùn)行狀態(tài)與對應(yīng)的檢修策略如表1所示。

表1 充電樁狀態(tài)與對應(yīng)的檢修策略

充電樁的運(yùn)行狀況信息數(shù)據(jù)主要包括以下方面：通用選型配置、關(guān)鍵部件質(zhì)量、運(yùn)行環(huán)境和其他評價(jià)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(yùn)行狀態(tài)的特征信息。

表2 充電樁的運(yùn)行狀況信息數(shù)據(jù)量化標(biāo)準(zhǔn)表

圖1 充電樁運(yùn)行狀態(tài)信息模型

針對復(fù)雜的設(shè)備狀態(tài)綜合評估問題，本文將指標(biāo)評估系統(tǒng)劃分成三層結(jié)構(gòu)：第一層為最高層(目標(biāo)層)，決策的目的、要解決的問題；第二層為中間層(子目標(biāo)層)，考慮的因素、決策的準(zhǔn)則；第三層為最低層(指標(biāo)層)，決策時(shí)的備選方案。在根據(jù)問題的性質(zhì)與目標(biāo)進(jìn)行實(shí)際評估工作時(shí)，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(jìn)行分析。

2 充電樁運(yùn)行狀態(tài)指標(biāo)權(quán)重

層次分析法(AHP)是對各參量指標(biāo)賦予相應(yīng)權(quán)重的方法[14]。層次分析過程是一種多標(biāo)準(zhǔn)決策方法，其中因素按層次結(jié)構(gòu)排列，從總體目標(biāo)到連續(xù)級別的標(biāo)準(zhǔn)、子標(biāo)準(zhǔn)和備選方案。AHP理論為社會學(xué)、管理科學(xué)和經(jīng)濟(jì)學(xué)等領(lǐng)域提供一種方法論，其框架為確定最佳選擇、設(shè)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(biāo)度法構(gòu)造判斷矩陣，但是必定存在較強(qiáng)的主觀性，本文在此基礎(chǔ)上進(jìn)行改進(jìn)。首先，通過采取三標(biāo)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(yàn)不符且需要不斷修正判斷矩陣時(shí)，直接得到權(quán)重向量，從而提高計(jì)算效率，具體過程如下。

(1) 構(gòu)造判斷矩陣。對于n個(gè)狀態(tài)指標(biāo)量an，指標(biāo)ai與指標(biāo)aj兩兩相互之間進(jìn)行比較，構(gòu)造各個(gè)指標(biāo)的重要程度，即形成判斷矩陣X：

(1)

式中:xij表示第i個(gè)狀態(tài)指標(biāo)與第j個(gè)狀態(tài)指標(biāo)的重要程度比較結(jié)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(biāo)和其他指標(biāo)量的比較結(jié)果進(jìn)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(jìn)行求解評判矩陣中的元素yij：

(3)

根據(jù)計(jì)算的評判矩陣Yij結(jié)果構(gòu)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(luò)

3.1 CNN

一般來講，CNN包括兩個(gè)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(shè)給定訓(xùn)練數(shù)據(jù)集{xn},n=1,2,…,N和相應(yīng)的標(biāo)簽集{tn}作為目標(biāo)。利用神經(jīng)網(wǎng)絡(luò)通過最小化均方誤差或制定的E函數(shù)進(jìn)行訓(xùn)練，如下所示：

(6)

式中：y(xn,w)是給定向量輸入xn和訓(xùn)練算法產(chǎn)生的向量權(quán)重w和tn,對應(yīng)的實(shí)際標(biāo)簽(類)作為CNN輸出的預(yù)測標(biāo)簽(類)。

3.2 LSTM網(wǎng)絡(luò)

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

圖2 LSTM基本結(jié)構(gòu)

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(jì)算要從單元狀態(tài)中刪除的先前內(nèi)存值，輸入門確定單元狀態(tài)的新輸入。單元狀態(tài)的計(jì)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(luò)

CNN和LSTM混合網(wǎng)絡(luò)的預(yù)測模型有兩個(gè)組成部分，分別為CNN和LSTM，在充電樁運(yùn)行狀態(tài)預(yù)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(luò)可以更好地預(yù)測輸入序列的特征信息，其結(jié)構(gòu)如圖3所示。三個(gè)卷積層都設(shè)為16組卷積核，卷積核大小分別設(shè)為8×8、5×5和3×3，其后緊跟一個(gè)Batch Normalization函數(shù)[15]和一個(gè)ReLU激活函數(shù)[16]，每個(gè)卷積層后面接著最大池化層，3個(gè)LSTM網(wǎng)絡(luò)的隱層神經(jīng)元個(gè)數(shù)為128，以及全連接層。

圖3 CNN和LSTM混合網(wǎng)絡(luò)的基本結(jié)構(gòu)

4 基于CNN和LSTM混合網(wǎng)絡(luò)的充電樁運(yùn)行狀態(tài)預(yù)測實(shí)現(xiàn)

4.1 模型建立

本文狀態(tài)預(yù)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(guān)鍵部件質(zhì)量、充電樁的運(yùn)行環(huán)境和其他評價(jià)，以及與充電樁時(shí)間序列的關(guān)聯(lián)性，輸出量則為預(yù)測下一時(shí)間段的充電樁運(yùn)行狀態(tài)。預(yù)測充電樁運(yùn)行狀態(tài)的時(shí)候，只需要明確關(guān)鍵性指標(biāo)對充電樁綜合評價(jià)的影響，無需關(guān)注指標(biāo)之間的潛在關(guān)系。利用CNN提取輸入信息的特征量，再選擇適合處理時(shí)序預(yù)測問題且結(jié)構(gòu)相對簡單的LSTM作為狀態(tài)預(yù)測的深度學(xué)習(xí)網(wǎng)絡(luò)。

可以利用非線性變換的各指標(biāo)屬性，以及結(jié)合具有時(shí)間序列的LSTM網(wǎng)絡(luò)，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(zhǔn)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(luò)的充電樁運(yùn)行狀態(tài)預(yù)測架構(gòu)，該架構(gòu)具體實(shí)施步驟如下。

圖4 基于CNN和LSTM混合網(wǎng)絡(luò)的充電樁運(yùn)行狀態(tài)預(yù)測架構(gòu)

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

(2) 將訓(xùn)練樣本中通用選型配置信息及關(guān)鍵部件質(zhì)量、運(yùn)行環(huán)境、其他評價(jià)作為輸入?yún)?shù)量，通過構(gòu)建時(shí)間序列對充電樁運(yùn)行狀態(tài)做預(yù)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(biāo)準(zhǔn)化方法進(jìn)行歸一化處理，如下式所示：

(13)

(3) 對關(guān)鍵部件質(zhì)量指標(biāo)進(jìn)行統(tǒng)計(jì)數(shù)據(jù)，通過支持向量機(jī)擬合得到充電樁不同狀態(tài)分布函數(shù)。

(4) 對運(yùn)行環(huán)境和其他評價(jià)采用模糊統(tǒng)計(jì)方法進(jìn)行評估。

(5) 利用改進(jìn)的AHP法確定通用選型配置、關(guān)鍵部件質(zhì)量、運(yùn)行環(huán)境和其他評價(jià)指標(biāo)參數(shù)中的各指標(biāo)權(quán)重系數(shù)。

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

(7) 利用CNN和LSTM混合網(wǎng)絡(luò)對歷史數(shù)據(jù)訓(xùn)練集進(jìn)行訓(xùn)練操作，提取關(guān)鍵指標(biāo)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(yù)測模型的參數(shù)。

(8) 通過CNN和LSTM混合網(wǎng)絡(luò)預(yù)測模型，來預(yù)測測試集中的充電樁運(yùn)行狀態(tài)，并驗(yàn)證預(yù)測模型準(zhǔn)確度。

4.2 算例分析

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

(15)

本文以實(shí)際充電站現(xiàn)場收集得到的626例確認(rèn)存在嚴(yán)重故障的數(shù)據(jù)和174例在線運(yùn)營平臺出現(xiàn)預(yù)警、報(bào)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(jìn)行隨機(jī)劃分處理，選取640例充電樁運(yùn)行狀態(tài)數(shù)據(jù)構(gòu)成訓(xùn)練集，剩下的160例充電樁數(shù)據(jù)構(gòu)成測試集。利用CNN對充電樁的通用選型配置、關(guān)鍵部件質(zhì)量、運(yùn)行環(huán)境和其他評價(jià)的關(guān)鍵指標(biāo)進(jìn)行特征信息的提取。另外，為了加快CNN和LSTM混合網(wǎng)絡(luò)的學(xué)習(xí)速率，避免網(wǎng)絡(luò)在學(xué)習(xí)過程中出現(xiàn)過擬合情況，加入dropout層，信號損失率設(shè)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(yùn)行狀態(tài)進(jìn)行一個(gè)月預(yù)測的MAE和RMSE的結(jié)果。在相同的測試集中，與BP神經(jīng)網(wǎng)絡(luò)和ARIMA模型相比，CNN-LSTM預(yù)測模型得到的MAE和RMSE的結(jié)果最低，最接近實(shí)際充電樁故障情況。

表3 不同預(yù)測方法的誤差結(jié)果

由圖5可知，當(dāng)預(yù)測時(shí)間尺度為一周時(shí)，其預(yù)測準(zhǔn)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(jìn)行比較，在訓(xùn)練集上狀態(tài)預(yù)測準(zhǔn)確率分別提高了10.7%和6.2%，在相同的測試集上預(yù)測準(zhǔn)確率分別提升了10.6%和6.3%。

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

圖5 充電樁狀態(tài)預(yù)測準(zhǔn)確率(預(yù)測尺度：一周)

圖6 各種模型在測試集上預(yù)測準(zhǔn)確率

5 結(jié) 語

本文提出的一種基于CNN和LSTM混合網(wǎng)絡(luò)的電動汽車充電樁運(yùn)行狀態(tài)預(yù)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(guān)歷史典型故障數(shù)據(jù)、信息參數(shù)和運(yùn)行環(huán)境等運(yùn)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(yùn)行狀態(tài)的關(guān)鍵指標(biāo)量，再對關(guān)鍵指標(biāo)量進(jìn)行量化量級處理，利用改進(jìn)的層次分析法來確定充電樁關(guān)鍵指標(biāo)量的權(quán)重；其次，搭建一種結(jié)合CNN和LSTM的混合網(wǎng)絡(luò)架構(gòu)，CNN主要對充電樁運(yùn)行狀態(tài)的關(guān)鍵指標(biāo)進(jìn)行特征挖掘和提取，LSTM網(wǎng)絡(luò)將關(guān)鍵特征量與時(shí)間維度相關(guān)聯(lián)，利用CNN和LSTM混合網(wǎng)絡(luò)對訓(xùn)練樣本進(jìn)行訓(xùn)練，并與其他模型的訓(xùn)練效果進(jìn)行比較。試驗(yàn)結(jié)果表明，該模型效率高，實(shí)用性強(qiáng)，能較準(zhǔn)確地反映充電樁的運(yùn)行狀態(tài)，可用于電動汽車充電樁的故障預(yù)測與運(yùn)維檢修。然而充電樁的運(yùn)行參數(shù)數(shù)據(jù)資源有限，無法根據(jù)實(shí)際場站運(yùn)行場景進(jìn)行進(jìn)一步的補(bǔ)充和完善，得到更全面更穩(wěn)定的狀態(tài)評價(jià)或預(yù)測。