基于深度神经网络的直流充电桩远程计量性能检定方法

2023-09-25刘秀兰陈慧敏李香龙刘进刚

河海大学学报（自然科学版） 2023年5期

陈熙,刘秀兰,2,陈慧敏,程林,李香龙,刘进刚

(1.国网北京市电力公司电力科学研究院,北京 100075; 2.华北电力大学(北京)电气与电子工程学院,北京 102206; 3.中国电建集团贵阳勘测设计研究院有限公司,贵州贵阳 550081)

当前,在“低碳经济”的发展理念下,电动汽车逐渐成为一种流行的交通方式[1-2],在电动汽车充电桩上产生的充电交易结算规模越来越大[3]。为避免交易过程中因充电桩计量偏差过大而给用户或者电网经营公司带来直接经济损失,直流充电桩的计量性能需定期逐台进行现场检定[4-5]。

一般而言,计量器具的检定多采用“量值传递”方法,因此,传统充电桩的检定通常利用标准检定装置作为传递量具,依据相应的检定规程进行充电桩计量性能的现场检定[6]。但是,充电桩建设数量大、工作空间分布广、运行环境复杂等问题,使得这种方式需要占用大量的人力、物力,极大地提高了运营单位的成本[7]。近年来,关于交、直流充电桩的检定研究主要是通过优化标准检定装置及检定工序以提高检定效率,如曾博等[8]提出了一种6表位全自动检定系统,提高了直流充电桩的现场检定效率;林勇等[9]开发了一种车载直流充电桩计量检定平台,可解决现场检定工作中取电难的问题,并提高了现场检定效率。但上述方法仍需去往现场,不能很好地解决检定工作易受天气影响且耗时长等问题。

为克服传统现场检定方法存在的问题,叶佳旻等[7]提出了计量模块比对和大数据筛选两种新型充电桩检定方法的设想。其中,计量模块对比法需要在充电桩原有内部结构上加装监测用计量模块,可远程、高效地对充电桩计量性能合格与否进行判断,但已投入使用的充电桩需要进行硬件改造从而增加了经费投入。大数据筛选法可依托已建成的物联网、车联网,采集并保存汽车在充电桩上充电过程中产生的大量数据,并采用大数据分析方法对充电桩的计量性能进行分析评估,更有可能实现低成本、高效率、远距离充电桩的计量检定工作。此外,以大数据作为支撑建立模型以解决复杂问题的深度学习算法[10-13]已经被用来预测实际生活中的许多复杂难题[14-15],如电网负荷预测[16]、变压器故障诊断[17]等,大数据分析问题的可行性被不断得到证实。

本文在现有研究基础上,以特定电动汽车作为“量值传递”的载具,采用其在直流充电桩上充电产生的大数据和深度学习方法[18],建立“实际”输出电能计算的深度神经网络模型,进而得出计算结果与直流充电桩示值电能之间的平均相对误差作为充电桩的示值误差,通过相关规程与模型计算示值误差对直流充电桩的计量性能进行检定。

1 直流充电桩远程计量性能检定方法

传统的直流充电桩现场逐台检定工作易受天气、环境等因素影响而效率低下,为克服传统检定工作存在的问题,本文提出了一种远程、高效的直流充电桩计量性能检定方法,该方法的实现流程(图1)如下:将特定电动汽车作为“量值传递”的量具(假设在“量值传递”期内该车的电池状态稳定),利用该车辆在已检合格充电桩(以下称“合格桩”)上进行充电的数据建立车辆在合格桩上充电的累计电能计算公式。假设该车辆在合格桩上充电时的累计电能示值为“实际”电能输出值Er,利用计算公式可得到该车在待测充电桩(以下称“待测桩”)上充电的计算电能值Ec,进而可由误差公式得到其与累计电能示值Ed的平均相对误差(mean relative error, MRE)。

图1 直流充电桩远程计量性能检定方法实现流程Fig.1 Schematic diagram of remote meteringperformance evaluation method of DC charging piles

该方法主要包含3个模块,各模块的主要作用及特点如下:

a.数据采集与处理。该模块为性能检定方法的基础,需要通过传感器或充电桩状态监测物联网,采集电动汽车在直流充电桩上的充电过程交互数据,得到的信息包括充电桩输出电压u、电流i、电池荷电状态(state of charge,SOC)值CSOC、充电时长t、电池组最高温度Tmax、电池组最低温度Tmin及累计电能示值Ed。将数据进行预处理后存储至云端数据库,以便后续调用数据进行模型构建。

b.累计电能计算模型。采用电动汽车在合格桩上的充电数据作为训练桩数据,将累计电能示值作为“实际”输出电能,即Ed=Er,以此拟合得到累计电能与其他各相关变量的函数关系(式(1))。由于累计电能与其他变量关系相对复杂,故本文采用深度神经网络(deep neural networks, DNN)模型[13]训练,建立特定车辆在合格桩上的累计电能变化函数关系:

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

(1)

c.直流充电桩计量性能检定。利用式(1)计算电能值Ec,将待测桩上的累计电能示值Ed与Ec之间的MRE与检定规程要求的合格桩最大示值误差进行对比,远程完成直流充电桩的计量性能检定工作。

2 数据采集及预处理

2.1 数据来源

为真实反映现场充电过程中的累计电能变化关系,本文进行了30d现场试验,采集了7辆电动汽车(编号:EV1、EV2、EV3、EV4、EV5、EV6、EV7)及14个不同直流充电桩(编号:11号、12号、1737、1738、1740、1741、5092、5093、5099、5091、5993、15994、15998、15999)共计125次充电过程的原始数据。数据采集时间间隔为250ms,每次充电过程时长为0.5～1.5h,故每次充电过程可获得约7000～20000个原始数据。

2.2 数据预处理

原始数据中对各电动汽车的充电过程次数采样不均,需对无效、错误以及可能会加大计算误差的部分数据进行筛选清除,以保证后续累计电能计算的精度,如EV7及充电桩5091、5099、1737、1738、1740、1741充电次数过少(仅1、2次),故删除了相应数据。

某次充电过程各变量随充电时长的变化如图2所示。由于原始数据采集时间间隔非常小,充电过程中各变量随充电时长的变化为阶梯状,即同一Ed存在多组不同的u、i、CSOC、t、Tmax、Tmin,后续累计电能的回归模型训练难以进行。因此,研究中按CSOC每变化1%进行数据提取(0≤CSOC≤100%),得到充电过程累计电能计算的有效数据。

图2 某次充电过程中各变量随充电时长的变化Fig.2 Change of each variable with charging time during a charging process

2.3 变量相关性分析

本研究的核心是建立合格桩上的“实际”累计电能与其他各变量的关系模型,属于回归问题,可利用变量间的相关性分析进行变量筛选。图3为EV4在合格桩15998上某次充电过程中电能随各变量的变化关系,电能与CSOC、u、Tmax、Tmin、t、i的相关系数R分别为0.9864、0.9718、0.9752、0.9726、0.9247和-0.6903。

图3 EV4充电过程电能Ed随各变量的变化Fig.3 Change of electric energy Ed with other variables in the charging process of EV4

由图3可知,充电过程中Ed与u、t、Tmax、Tmin均表现为正相关性,而与i呈现出一定程度的负相关性。从R的绝对值大小来看,Ed与CSOC的相关程度最高,其次是u、Tmax、Tmin、t,i与Ed的相关性程度最低(R绝对值小于0.7)。根据统计学理论,R绝对值超过0.8时,变量具有高度相关性[19],在回归分析中不可忽略。直流充电桩充电时一般为“快充”形式,需要采用控制系统对其输出电流按充电准备、充电、充电结束等主要阶段进行控制(图3(b)阶梯形变化),使得Ed与i的相关系数最小,此外,理论上u与i存在一定耦合关系[6]。因此,后续模型建立中,为减少模型训练时间和保证拟合精度,选择相关系数更高的u,而暂不考虑i。

3 累计电能计算的DNN模型

3.1 数据特征输入

3.1.1 数据集划分

本文利用合格桩上的充电过程数据建立累计电能与各变量间的关系,进而计算待测桩Ed误差。因此,同一车辆模型的训练数据集为经现场检定,电能计量误差合格的充电桩上的充电数据(实际检定示值MRE绝对值小于1%,如表1所示),而用于模型效果评估的数据集则同时包含了合格与不合格的待测桩的数据。训练数据集用于特定车辆电能计算模型的学习训练,评估数据集用于待测桩的“实际”累计电能的计算,而后与充电桩显示电能进行比对,从而对待测桩的计量性能进行检定。以各电动汽车作为“量值传递”的量具建立的累计电能计算模型中,训练数据集采用70%的合格桩充电数据,30%的合格桩充电数据以及全部不合格桩充电数据划入效果评估数据集。

表1 各直流充电桩实际检定示值MRE及检定结果

3.1.2 数据归一化处理

由于各输入变量的计量单位不同,数值相差较大,为排除数值大小对神经网络权重的影响,必须先对变量数据做归一化处理,即利用重定比例的方法使每种输入变量使用相同的计量标准。重定比例的方法有很多,一般采用标准化方法[20],将输入特征变量数据集转化为平均值为0、标准差为1的数据集。

3.2 神经网络架构设计

由图3及各变量与累计电能的相关性分析结果可知,充电过程中累计电能与充电电流的相关性很低,为提高计算拟合精度,暂不考虑该变量。因此,神经网络架构设计如下:输出层的神经元数量为1,输入层的神经元数量为5,与输入变量数量一致(将u、t、Tmax、CSOC、Tmin作为输入变量),中间隐含层的层数以及各层神经元数量决定着DNN模型的学习预测能力,通常根据经验以及神经网络参数优化过程选取。

3.3 模型参数设置

在DNN模型中,网络中间隐含层的层数及各层神经元数量、各层所用激活函数、优化器、损失函数等常被称为模型的超参数,它们共同决定着神经网络对于输入变量与输出变量间映射关系求解能力的强弱。利用电动汽车EV2在合格桩上的充电数据对DNN模型进行超参数择优。一般而言,在DNN模型建立过程中,超参数是局部寻优而非全局最优解,即首先通过经验选择一定超参数范围后,采用试错法进行寻优操作。回归分析问题中,通常采用均方误差(mean square error, MSE)作为损失函数,平均绝对误差(mean absolute error, MAE)作为评价指标,MSE、MAE可表征预测值与实际值的偏差,当偏差值局部最小时,可认为超参数使模型具有最优效果。

3.3.1 隐含层层数及神经元数量

分别构建具有2、3层隐含层的DNN模型并在各隐含层搭配适当的激活函数。对中间隐含层各层的神经元数量,业内广泛运用的经验计算公式[21]为

(2)

H=log2HI

(3)

(4)

式中:H为隐含层神经元数量;HI、HO分别为输入、输出层神经元数量,文中HI= 5,HO=1;α为常数,取值范围为[1,10]。

由式(2)～ (4)得到H在2.24～12.45范围内模型效果较优,采用试错法设置不同的隐含层数及各层神经元数量,对比模型计算同一批数据的结果与实际结果间的误差,择优选择隐含层层数及各层神经元数量。将各层神经元数量由H计算范围取整并适当扩大为4、8、16。图4、图5分别给出了其他超参数固定不变时,2层和3层隐含层及各层不同神经元数量对应的DNN模型评估数据集的偏差大小(H3为第三隐含层神经元数量)。隐含层激活函数设置为线性整流函数ReLU、损失函数为MSE、优化器为随机梯度下降(stochastic gradient descent, SGD)算法、评估准则为MAE、每批次训练20组数据、最大迭代次数为500。可以看出,当DNN具有3层隐含层,各层神经元数量分别为16、16、8时,模型结构最优(评估数据集的MSE及MAE相对最小)。最优两层隐含层的DNN模型评估数据集的MAE值为0.666kW·h(隐含层分别有16、8个神经元),而最优3层隐含层的DNN模型评估数据集的MAE值则为0.543 kW·h,3层隐含层的DNN模型计算精度提升约20%。因此,本文采用3层隐含层的DNN模型。

图4 两层隐含层和各层不同神经元数量模型评估数据集偏差Fig.4 Bias of dataset assessed by the model with two hidden layers and different number of neurons in each layer

图5 3层隐含层和各层不同神经元数量模型评估数据集偏差Fig.5 Bias of dataset assessed by the model with three hidden layers and different number of neurons in each layer

3.3.2 其他超参数择优

类似地,激活函数、优化器等超参数的择优在上述最优网络架构下进行。其中,激活函数选用了较为常用的tanh、ReLU、sigmoid 3种进行组合尝试,优化器则分别选用了SGD、Adam、RMSprop、Adagrad、Adadelta、Nadam、Adamax。结果表明,激活函数组合为ReLU-tanh-tanh时,模型评估数据集的偏差最小(MSE、MAE分别为0.445 (kW·h)2、0.447 kW·h);优化器为SGD时模型评估数据集的偏差最小(MSE、MAE分别为0.698 (kW·h)2、0.568 kW·h)。

综上,最佳DNN模型架构为:输入层5个神经元,第一、第二隐含层16个神经元,第三隐含层8个神经元,输出层1个神经元。其他超参数配置如下:第一隐含层采用ReLU激活函数,第二、第三隐含层采用tanh激活函数,损失函数指标采用MSE,优化器为SGD算法,评估指标采用MAE,每批次训练20组数据,最大迭代次数为500。

4 结果与分析

4.1 累计电能计算的DNN模型训练

经过数据预处理后,数据中仅包含6辆不同的电动汽车和8个不同的直流充电桩。对不同电动汽车分别进行累计电能计算的DNN模型训练。图6为不同车辆数据训练的DNN模型输出累计电能Ec与合格桩累计电能示值Ed的对比。从图6可以看出,模型输出的累计电能值与合格桩显示的累计电能示值接近,拟合精度较高(各车辆模型输出累计电能的决定系数R2>0.9980),误差较小(各车辆模型输出累计电能的MAE小于0.0580kW·h)。因此,将构建的DNN模型用于待测桩“实际”累计电能的计算。

图6 不同车辆数据训练的DNN模型Ec与Ed对比Fig.6 Ec and Ed comparison of DNN models trained on different vehicle data

4.2 待测桩的MRE计算

利用训练好的DNN模型对相应车辆在不同待测桩充电的“实际”累计电能进行计算,并计算其与充电桩累计电能示值的MRE,计算结果如表2所示。由表2可知,在利用 DNN模型计算各充电桩“实际”累计电能时,同一充电桩上会有不同的电动汽车进行充电作业(即电动汽车与直流充电桩不是一一对应关系,这是实现“量值传递”的前提),使得不同车辆数据训练的DNN模型对于相同充电桩计算得到的MRE具有不同值。

表2 各待测桩累计电能计算结果示值MRE

4.3 待测桩的计量性能检定效果评估

将各车辆数据训练的DNN模型计算所得的某待测桩“实际”累计电能示值MRE求平均值从而消除不同车辆数据训练模型的影响,得到各待测桩最终的“实际”累计电能示值MRE,结果如表3所示。由表3可知,模型计算得到的各待测桩示值MRE与实际检定示值MRE(表1)间差值的绝对值小于1%(除15998号充电桩的差值为-0.747%,其余各桩的差值均在-0.5%～0.5%间),表明模型计算结果可靠。本文建立的DNN模型对8个待测桩的计量性能评估结果与实际检定结果完全一致,证实了所提出的直流充电桩远程计量性能检定方法的可行性。