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(duì)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(duì)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(duì)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(duì)充電樁的計(jì)量性能進(jìn)行分析評(píng)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(duì)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(duì)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(duì)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(duì)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(duì)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(duì)各電動(dòng)汽車的充電過程次數(shù)采樣不均,需對(duì)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(duì)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(duì)值小于0.7)。根據(jù)統(tǒng)計(jì)學(xué)理論,R絕對(duì)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(duì)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(duì)值小于1%,如表1所示),而用于模型效果評(píng)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(píng)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(duì),從而對(duì)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(píng)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(duì)神經(jīng)網(wǎng)絡(luò)權(quán)重的影響,必須先對(duì)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(duì)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(duì)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(duì)誤差(mean absolute error, MAE)作為評(píng)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(duì)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(duì)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(duì)應(yīng)的DNN模型評(píng)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(píng)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(píng)估數(shù)據(jù)集的MSE及MAE相對(duì)最小)。最優(yōu)兩層隱含層的DNN模型評(píng)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(píng)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(píng)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(píng)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(píng)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(píng)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(píng)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(duì)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(duì)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(duì)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(duì)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(duì)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(duì)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(píng)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(duì)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(duì)8個(gè)待測樁的計(jì)量性能評(píng)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(duì)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(duì)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(duì)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(duì)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(píng)估。