基于聚類分析和卷積神經網絡的電動汽車負荷預測

周斌， 胡濟洲， 李卉， 劉潔， 李敬

(1. 國網湖北省電力有限公司， 湖北, 武漢 430077；2. 天津天大求實電力新技術股份有限公司， 天津 300384)

0 引言

電動汽車的廣泛應用不斷推進了電動汽車的普及。純電動汽車作為清潔能源交通工具，其運行的可靠性和負荷承載能力最為關鍵[1]。由于電動汽車負荷種類較多，且分析難度較大，在電動汽車負荷預測過程中，對電動汽車負荷承載和優化控制能力的要求較高。為進一步提升電動汽車的駕駛安全性，電動汽車負荷預測問題的相關研究受到人們的極大關注[2-3]。

文獻[4]提出了一種基于深度多步時空神經網絡的電動汽車負荷時空動態負荷預測方法，通過深度多步時空神經網絡對未來的充電負荷規律進行預測和分析，并消除單步滾動預測所產生的誤差，提高預測的精度。該方法雖能在一定程度上提高電動汽車的負荷預測精度，但抗干擾能力不夠理想。文獻[5]分析了電壓降控制器的穩定性限制，提出基于相空間重組和特征映射的電動汽車負荷預測方法。結合電動汽車負荷增量分布式檢測，預測電動汽車負荷，該方法的電動汽車負荷預測過程中出現負荷特征辨識度不高的情況，導致預測結果誤差較大。

針對上述問題，本文提出基于聚類分析和卷積神經網絡的電動汽車負荷預測方法，并對其預測方法進行仿真測試，結果表明，本文所提方法具有明顯的優勢，預測效果較好。

1 電動汽車負荷參數約束指標和負荷預測互感值計算

1.1 電動汽車負荷參數約束指標

為實現電動汽車負荷的優化預測，結合等效電路分析和樣本信息特征采樣方法，采樣電動汽車負荷特征，通過子空間映射和特征序列重組，構建電動汽車負荷特征大數據分析模型，得到電動汽車的能量負荷傳遞模型如圖1所示。

該電動汽車能量負荷傳遞模型的計算量較小，滿足安全駕駛的需要。在圖1所示的電動汽車的能量負荷傳遞模型中，結合功率損耗和電磁損耗抑制方法，對電動汽車的負荷特征序列進行重組，從而構建相應的負荷參數分析模型，通過優化電壓增益控制，完成電動汽車的能量負荷傳遞和自適應控制[6-7]，得到在電動汽車的高頻能力分布狀態下的諧振頻率為ω0。假設系統回流功率穩定狀態下的輸出電流因素用Ip表示，對于電動汽車能源傳遞過程中的負荷傳遞的有效值用Is表示。對電動汽車的共振線圈采用工頻變壓器進行控制，從而得到雙向流動切換的輸出電流有效值用Ir表示。輸出功率負載用Ro表示，電動汽車的等效傳輸電流有效值用Io表示，以上參數的特征表達式分別為

(1)

(2)

Io=Ir×(Ro+ω0)

(3)

圖1 電動汽車能量負荷傳遞模型

分析電動汽車的能量負荷參數對回流功率的影響，根據高頻變壓的特征分布特性，結合電動汽車的能量傳遞特征值，得到電動汽車的能量輸入穩態特征量表示為Zrl：

Zrl=|Ro-ω0|×Ir

(4)

在功率傳輸因素的影響下，得到電動汽車負荷角速度阻抗和電阻阻抗分別為Zsr、Zps，計算式如式(5)、式(6)：

(5)

(6)

根據開關管的開關頻率進行輸出功率調節，此時電動汽車的能量傳輸效率為

(7)

1.2 負荷預測互感值的計算

構建電動汽車負荷分布的統計分析模型，通過模糊關聯特征分析方法進行電動汽車負荷特征提取和聚類分析[8]，電動汽車負荷優化分布狀態下的輸出功率為

(8)

在電源輸出側，分析電動汽車負荷預測的輸出響應性能特征，采用模糊均值聚類分析，構建電動汽車負荷的融合聚類分析模型[9]，在諧振頻率保持不變的情況下，通過對電壓因素和功率因素的關聯性分析，實現電動汽車負荷預測和解耦處理，電動汽車負荷量化分析的自相關特征量為

(9)

式中，ak表示電動汽車負荷的閉環比例系數，br表示電動汽車負荷預測過程中的局部收斂權重。

對電動汽車負荷時間序列的自相關特征進行聚類處理分析，得出汽車負荷預測的等效參數模型，從而得到電動汽車的能量互感Msr值，對電流應力、軟開關等特性進行聯合分析，采用特征挖掘和聚類分析方法，電動汽車負荷預測的互感值為

(10)

式中，τ為負荷預測的采樣時間尺度。

2 電動汽車負荷預測

2.1 特征提取

對電動汽車的負荷特征序列進行重組，采用統計時間序列的方法進行分析，并且提取相應的特征量，再結合磁鏈參數估計方法，結合電動汽車的負荷特征，構建對應的分析模型。通過模糊關聯特征分析方法進行電動汽車負荷特征提取和聚類分析，得到電動汽車的負荷參量的優化值為

(11)

結合磁場參數辨識方法，對電動汽車的負荷參量進行局部優化，求得特征參數的分布集，構建負荷檢測統計特征量，根據統計特征分析方法，進行電動汽車負荷預測[10]，得到電動汽車負荷特征為

(12)

2.2 基于卷積神經的電動汽車負荷預測

假設電動汽車負荷特征的輸入為

FT=ω(net1+net2)

(13)

式中，net表示卷積網絡的網層，ω表示負荷加權系數。

(14)

式中，P表示交流電壓的相位差，x(t)表示電動汽車負荷特征的功率譜密度。

通過諧振回路分析，在電動汽車負荷序列的預測評價特征分布集提取電動汽車負荷時間序列的耦合性特征量，而且提出的效率高、用時短，得到電動汽車負荷序列的輸出功率因素。此時電動汽車負荷狀態的每個模態的換流映射為

Z(t)=a(t)+(xi×xj)+θ(t)

(15)

式中，a(t)表示電動汽車負荷預測數據點xi和xj之間的相似度水平，θ(t)表示負荷預測的平均互信息量。

根據上述算法設計，通過卷積神經網絡分類識別方法進行電動汽車負荷特征分類學習，根據特征分類結果實現電動汽車負荷的優化預測。

3 仿真實驗測試

為驗證所提方法的應用性能，設計仿真實驗完成相關測試。假設電動汽車的電源容量為240 kW,額定功耗為140 kW，回流功率為12 kW，電流過零點為相位偏差為14 rad/s，電壓增益為120 V，特性阻抗為0.78 mH，根據上述參數設定，分析電動汽車的功率損耗與行駛距離的關系，得到預測結果如圖2所示。

圖2 所提方法功率損耗與行駛距離的預測結果

分析圖2得知，隨著行駛距離的增加，電動汽車的功率耗損也隨著增大，在600 km時達到最大值。本文方法的預測結果與實際值的擬合度較高。

將文獻[4]方法、文獻[5]方法和本文所提方法進行負荷預測精度的對比測試，測試結果如圖3所示。

圖3 電動汽車負荷預測結果

分析圖3得知，在實驗過程中，隨著實驗迭代次數的增加，本文所提方法的負荷預測精度穩定在90%以上。本文所提方法的負荷預測精度明顯高于獻[4]和文獻[5]方法，主要是由于本文所提方法采用了聚類分析和卷積神經網絡，提高了預測的精度。因此，該實驗結果表明所提方法的可應用性更強，應用性能更好。

為了進一步驗證本文所提方法的有效性，對電動汽車負荷跟蹤能力進行測試。本文所提方法的測試結果如圖4所示。

(a) 電動汽車負荷真實變化軌跡

(b) 所提方法負荷跟蹤結果

由圖4所得結果可知，本文所提方法的負荷跟蹤結果與負荷真實變化基本吻合，主要是由于通過卷積神經網絡分類識別方法進行電動汽車負荷特征分類學習，提高了負荷預測和負荷線性跟蹤能力。實驗結果驗證了本文所提方法能夠對負荷進行精準跟蹤，提高了負荷的可控性，有效性更強。

4 總結

通過聚類分析和卷積神經網絡進行電動汽車負荷預測，并結合等效電路分析和樣本信息特征采樣方法，采樣電動汽車負荷特征，并對其負荷特征進行重組，構建負荷特征分析模型，根據特征分類結果實現電動汽車負荷的優化預測。對其進行仿真測試，測試結果表明，本文所提方法的負荷預測精度更高，負荷跟蹤能力更強，可見本文所提方法的應用性能更好，有效性更強。以后的研究將針對超低溫等極端環境下該方法的預測精度進行分析。