基于CNN和LSTM混合網絡的電動汽車充電樁運行狀態預測方法*

吳 丹, 甄昊涵, 雷 珽, 陳 津, 錢勇生, 李 樵, 鄭陸海

[1.國網上海市電力公司,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、環保、高效的優勢，在許多國家逐漸得到發展和廣泛應用。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展的基礎設施，其安全性、可靠性和兼容性等受到監管部門、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參數涉及不多，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，隨著充電樁數量的增加和充電設施系統的日益復雜，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，卷積神經網絡(CNN)是前饋神經網絡的一種可靠變體，由LeCun等最先提出[10]，具有特征提取的優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，其優勢在于其能夠捕獲輸入數據特征的局部依賴性。長短期記憶網絡(LSTM)是循環神經網絡(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良好。

本文提出了一種基于CNN和LSTM的混合網絡，建立以數據驅動的設備狀態預測模型，實現對充電樁運行狀態的預測。試驗結果表明，該方法顯著提高了充電樁運行狀態預測的效率和準確性。

1 充電樁運行狀態指標體系

結合充電樁的故障程度、維修經驗和專家分析，給出了狀態分級策略。充電樁每個指標都根據操作狀態閾值水平進行標準化，根據運行參數的優劣狀況，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處于合理范圍內，與設定值非常接近，穩定運行且無需檢查，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的個別參數超過設定值，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；輕微故障S3，表示充電樁的運行參數達到設定值，發生多次故障并有惡化的趨勢，處于待維修狀態，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。充電樁運行狀態與對應的檢修策略如表1所示。

表1 充電樁狀態與對應的檢修策略

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

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

表2 充電樁的運行狀況信息數據量化標準表

圖1 充電樁運行狀態信息模型

針對復雜的設備狀態綜合評估問題，本文將指標評估系統劃分成三層結構：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、設置優先級、分配資源等問題提供解決方案。

傳統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個狀態指標與第j個狀態指標的重要程度比較結果，i、j=1,2,…,n。

(2) 確定排序數。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bi：

(2)

(3) 確定評判矩陣。利用排序數進行求解評判矩陣中的元素yij：

(3)

根據計算的評判矩陣Yij結果構造擬優一致矩陣Y′ij：

(4)

dij=InYij

(5)

3 基于CNN和LSTM混合網絡

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。

假設給定訓練數據集{xn},n=1,2,…,N和相應的標簽集{tn}作為目標。利用神經網絡通過最小化均方誤差或制定的E函數進行訓練，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網絡

LSTM網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，遺忘門規則計算要從單元狀態中刪除的先前內存值，輸入門確定單元狀態的新輸入。單元狀態的計算如下：

(11)

(12)

給定wy是ht降維的投影矩陣。

3.3 CNN和LSTM混合網絡

CNN和LSTM混合網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[15]和一個ReLU激活函數[16]，每個卷積層后面接著最大池化層，3個LSTM網絡的隱層神經元個數為128，以及全連接層。

圖3 CNN和LSTM混合網絡的基本結構

4 基于CNN和LSTM混合網絡的充電樁運行狀態預測實現

4.1 模型建立

本文狀態預測的輸入輸出量規定如下：輸入量包括狀態中通用選型配置、充電樁的關鍵部件質量、充電樁的運行環境和其他評價，以及與充電樁時間序列的關聯性，輸出量則為預測下一時間段的充電樁運行狀態。預測充電樁運行狀態的時候，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作為狀態預測的深度學習網絡。

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網絡，通過Softmax分類器映射到充電樁狀態集的概率值，以最大概率準則確定充電樁的狀態信息[17]。圖4展示了基于CNN和LSTM混合網絡的充電樁運行狀態預測架構，該架構具體實施步驟如下。

圖4 基于CNN和LSTM混合網絡的充電樁運行狀態預測架構

(1) 收集并選取充電樁歷史運行狀態數據作為樣本，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、運行環境、其他評價作為輸入參數量，通過構建時間序列對充電樁運行狀態做預處理。為了降低通用選型配置信息數據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計數據，通過支持向量機擬合得到充電樁不同狀態分布函數。

(4) 對運行環境和其他評價采用模糊統計方法進行評估。

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

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

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

(8) 通過CNN和LSTM混合網絡預測模型，來預測測試集中的充電樁運行狀態，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場收集得到的626例確認存在嚴重故障的數據和174例在線運營平臺出現預警、報警后跟蹤觀察到的數據組成800例樣本數據庫。

針對樣本數據庫中的800例充電樁數據進行隨機劃分處理，選取640例充電樁運行狀態數據構成訓練集，剩下的160例充電樁數據構成測試集。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混合網絡的學習速率，避免網絡在學習過程中出現過擬合情況，加入dropout層，信號損失率設為0.2。輸出層規模為4，迭代次數為100。

表3所示為BP、ARIMA和CNN-LSTM方法對充電樁運行狀態進行一個月預測的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混合網絡的電動汽車充電樁運行狀態預測方法，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據、信息參數和運行環境等運行狀態數據，分析充電樁故障發生的影響因素并確定充電樁運行狀態的關鍵指標量，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的混合網絡架構，CNN主要對充電樁運行狀態的關鍵指標進行特征挖掘和提取，LSTM網絡將關鍵特征量與時間維度相關聯，利用CNN和LSTM混合網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，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數據資源有限，無法根據實際場站運行場景進行進一步的補充和完善，得到更全面更穩定的狀態評價或預測。