唐菲，鄭振

（1.武漢船舶職業(yè)技術(shù)學(xué)院，湖北 武漢 430050；2.武漢軟件工程職業(yè)學(xué)院，湖北 武漢 430205）

0 引 言

插電式新能源汽車（Plug-in New Energy Vehicles,PNEV）是介于純電動(dòng)車和燃油汽車之間的一種新能源汽車，是減輕碳排放、提高可持續(xù)發(fā)展的有效途徑。從電力系統(tǒng)的角度來看，PNEV 車主的電力需求與傳統(tǒng)電力消費(fèi)的峰值負(fù)載高度一致，其動(dòng)態(tài)性為預(yù)期負(fù)載曲線帶來很大的不確定性。關(guān)于PNEV 行為建模的研究可分為基于情景的方法和數(shù)據(jù)驅(qū)動(dòng)的方法?；趫鼍暗姆椒ù蠖嗖捎昧嗣商乜宸?，這些方法依賴于根據(jù)參數(shù)（即PNEV 出發(fā)時(shí)間、到達(dá)時(shí)間和行駛距離）的概率分布定義的搜索空間生成大量隨機(jī)樣本。例如，可使用正態(tài)分布函數(shù)和高斯分布函數(shù)為每個(gè)參數(shù)生成樣本，或使用聯(lián)合概率分布函數(shù)來生成出發(fā)時(shí)間和到達(dá)時(shí)間。這些方法具有較高的計(jì)算成本、效率低下，且需要大量的數(shù)據(jù)樣本來覆蓋搜索空間。在數(shù)據(jù)驅(qū)動(dòng)方法中，部分現(xiàn)有研究使用自回歸綜合移動(dòng)平均模型等時(shí)間序列預(yù)測工具對(duì)PNEV 的需求進(jìn)行預(yù)測，但是PNEV 行為和需求的不確定性會(huì)影響這些工具的準(zhǔn)確性。還有研究利用基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)驅(qū)動(dòng)方法來克服上述PNEV 出行行為預(yù)測中的不足。但是目前的研究采用了淺層神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)無法提取大型數(shù)據(jù)集的主要特征。除此以外，基于神經(jīng)網(wǎng)絡(luò)的方法缺乏考慮在PNEV 的隱藏行程模式對(duì)電力需求計(jì)算的影響。本文提出了基于深度學(xué)習(xí)的解決方案，以彌補(bǔ)現(xiàn)有研究的不足。深度學(xué)習(xí)是解決具有復(fù)雜相互關(guān)系的大維度問題的有力工具。深度學(xué)習(xí)能夠完全從歷史數(shù)據(jù)中自動(dòng)提取大維度數(shù)據(jù)的主要特征。本文將真實(shí)世界的PNEV 數(shù)據(jù)饋入至深度分類器，以便根據(jù)其中存在的隱藏行為模式自動(dòng)對(duì)數(shù)據(jù)進(jìn)行聚類，并為每個(gè)簇分配一個(gè)深度網(wǎng)絡(luò)，以捕獲和預(yù)測每個(gè)簇的獨(dú)特行為。為了進(jìn)一步提高預(yù)測結(jié)果的準(zhǔn)確性，本文我們利用了深度長短期記憶（Long Short Term Memory,LSTM）網(wǎng)絡(luò)，以模擬行為的短期變化以及出行模式特征的長期趨勢。本文提出了一個(gè)稱為聚合器的中介機(jī)構(gòu)，通過充電計(jì)劃和合同，聚合器旨在從技術(shù)和經(jīng)濟(jì)角度滿足其PNEV 的充電需求。

1 分類和預(yù)測方法設(shè)計(jì)

為了提高充電效率，聚合器需要準(zhǔn)確地估計(jì)PNEV日前（Day-Ahead,DA）的行駛行為。PNEV 行為和需求預(yù)測的流程如圖1所示，該方案采用深度LSTM 網(wǎng)絡(luò)進(jìn)行分類和預(yù)測。

圖1 PNEV 行為和需求預(yù)測的流程

每個(gè)深度LSTM 網(wǎng)絡(luò)都是通過堆疊LSTM 塊來構(gòu)建，每個(gè)LSTM 塊是一個(gè)層。本文使用深度LSTM 網(wǎng)絡(luò)進(jìn)行分類和預(yù)測任務(wù)，除了網(wǎng)絡(luò)的最后一層配置外，這兩個(gè)任務(wù)中網(wǎng)絡(luò)的整體結(jié)構(gòu)是相同的。在預(yù)測網(wǎng)絡(luò)中，將整流線性單元（Rectified Linear Unit,ReLU）作為最后一層的激活函數(shù)，并使用均方誤差（Mean Squared Error,MSE）函數(shù)來計(jì)算訓(xùn)練誤差；而在分類過程中，分別使用SoftMax 激活函數(shù)和分類交叉熵（Categorical Cross Entropy,CCE）函數(shù)作為網(wǎng)絡(luò)最后一層的激活函數(shù)和誤差計(jì)算函數(shù)。為了提高所提出方法的魯棒性和穩(wěn)定性，避免訓(xùn)練過程中的過擬合問題，在損失函數(shù)中附加了L2 正則化項(xiàng)，并應(yīng)用了概率分別為0.001 和0.5的dropout 技術(shù)。

為了發(fā)掘PNEV 行駛數(shù)據(jù)中隱藏的行駛模式，將基于K-means 的無監(jiān)督方法和基于深度LSTM 網(wǎng)絡(luò)的有監(jiān)督方法結(jié)合。分類任務(wù)的流程如算法1 所示：

在算法1 中，使用K-means 算法以無監(jiān)督的方式對(duì)出發(fā)時(shí)間數(shù)據(jù)進(jìn)行聚類，并根據(jù)Davies-Bouldin（DB）索引確定最佳簇?cái)?shù)。該索引定義為簇內(nèi)和簇間距離的比率，即：

對(duì)PNEV 數(shù)據(jù)進(jìn)行分類的是減少每個(gè)深度網(wǎng)絡(luò)需要學(xué)習(xí)和預(yù)測的數(shù)據(jù)量，從而提高整體預(yù)測的準(zhǔn)確性。為了預(yù)測到達(dá)時(shí)間和行駛距離，為每個(gè)簇分配了兩個(gè)深度LSTM 網(wǎng)絡(luò)——一個(gè)學(xué)習(xí)出發(fā)時(shí)間和到達(dá)時(shí)間之間的映射來預(yù)測到達(dá)時(shí)間，另一個(gè)學(xué)習(xí)出發(fā)時(shí)間、到達(dá)時(shí)間和行駛距離之間的映射以預(yù)測行駛距離。預(yù)測過程如算法2 所示：

在測試過程中，兩個(gè)深度LSTM 網(wǎng)絡(luò)按以下順序執(zhí)行：第一個(gè)深度LSTM 網(wǎng)絡(luò)將深度分類器提供的出發(fā)時(shí)間數(shù)據(jù)作為輸入，并預(yù)測相應(yīng)的到達(dá)時(shí)間。然后，預(yù)測的到達(dá)時(shí)間與相應(yīng)的出發(fā)時(shí)間一起被饋送到第二個(gè)深度LSTM 網(wǎng)絡(luò)，以預(yù)測與每個(gè)數(shù)據(jù)對(duì)相關(guān)的行進(jìn)距離。這樣，出發(fā)時(shí)間、到達(dá)時(shí)間和行駛距離之間的相關(guān)性被保留在預(yù)測的旅行參數(shù)中，以提高預(yù)測的準(zhǔn)確性。

2 充電需求優(yōu)化問題

最大限度地降低PNEV 車主的充電成本是一個(gè)重要的目標(biāo)。假設(shè)聚合器通過利用PNEV 的需求靈活性并在日前能源市場（Day-Ahead energy Market,DAM）和實(shí)時(shí)市場（RTM）中獲取預(yù)期的充電需求來最小化PNEV 的充電成本。

聚合器需要解決如下所示的優(yōu)化問題以確定其DAM 能源投標(biāo)：

隨后本文建立了如下所示的RTM 優(yōu)化問題，以評(píng)估聚合器在投標(biāo)部署當(dāng)天的性能：

優(yōu)化問題的目標(biāo)是最小化RTM 聚合器的成本Cost，該項(xiàng)由3 個(gè)成本組成：Cost是指從RTM 獲取額外能源需求的成本；Cost是指無法使用中標(biāo)的DAM 能源的成本；Cost是指投標(biāo)部署當(dāng)天的PNEV 的EENC。

3 實(shí)驗(yàn)評(píng)估

實(shí)驗(yàn)評(píng)估部分進(jìn)行數(shù)值模擬，使用了從北京電動(dòng)汽車監(jiān)控與服務(wù)中心收集得到的大量新能源出租車數(shù)據(jù)來訓(xùn)練提出的深度學(xué)習(xí)模型的方法。其中，80%的數(shù)據(jù)集用于訓(xùn)練，10%的用于驗(yàn)證，10%的用于測試。為了制定最佳的充電任務(wù)，考慮了一個(gè)中壓配電網(wǎng)絡(luò)，該網(wǎng)絡(luò)由21 個(gè)節(jié)點(diǎn)組成，最大需求為310 kW，每個(gè)節(jié)點(diǎn)的滯后功率因數(shù)為0.98。每個(gè)饋線段的電流容量為314 安培，允許電壓偏差為5%。為了在網(wǎng)絡(luò)中模擬負(fù)荷，隨機(jī)生成負(fù)荷曲線，而DA 和RTM能源價(jià)格則從充電樁運(yùn)營商獲取。低于中標(biāo)DA 投標(biāo)的消耗罰款價(jià)格設(shè)置為給定日期最高能源價(jià)格的30%，將最低PNEV 的荷電狀態(tài)（State Of Charge，SOC）設(shè)定為75%，將和設(shè)置為各自市場最高能源價(jià)格的50%。使用CPLEX 工具對(duì)優(yōu)化問題進(jìn)行求解。對(duì)于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，使用了MATLAB 中的Classification Learner分類學(xué)習(xí)器和Deep Network Designer 工具箱分別用于執(zhí)行LSTM 網(wǎng)絡(luò)的分類和訓(xùn)練程序。分類和預(yù)測任務(wù)中的深度LSTM 網(wǎng)絡(luò)分別由100 和300 個(gè)LSTM 區(qū)塊構(gòu)建，其中設(shè)置為15。實(shí)驗(yàn)使用作為評(píng)估指標(biāo)，其定義為：

實(shí)驗(yàn)首先通過根據(jù)出發(fā)時(shí)間對(duì)PNEV 數(shù)據(jù)進(jìn)行無監(jiān)督聚類，得到五個(gè)不同的簇，如圖2所示，表示數(shù)據(jù)集中存在五種隱藏的旅行模式。隨后，使用深度LSTM 網(wǎng)絡(luò)進(jìn)行有監(jiān)督分類任務(wù)，結(jié)果如表1所示。由該結(jié)果可知，深度LSTM 網(wǎng)絡(luò)具有較高的分類精度和準(zhǔn)確性。

表1 分類精度和準(zhǔn)確性

圖2 無監(jiān)督聚類結(jié)果

進(jìn)行分類后，使用深度LSTM 網(wǎng)絡(luò)分別為每個(gè)簇預(yù)測到達(dá)時(shí)間和行駛距離。為了驗(yàn)證分類任務(wù)的有效性，實(shí)驗(yàn)部分將在分簇后和未分簇的數(shù)據(jù)上進(jìn)行預(yù)測，結(jié)果如表2所示。分簇對(duì)預(yù)測精度的影響在行駛距離上比到達(dá)時(shí)間更明顯，即經(jīng)過分簇后，行駛距離的預(yù)測精度有顯著提高。

表2 R2 指標(biāo)對(duì)比

4 結(jié) 論

本研究提出了基于深度學(xué)習(xí)的預(yù)測方法，該方法使用深度LSTM 網(wǎng)絡(luò)預(yù)測PNEV 的行駛行為及其電力需求。實(shí)驗(yàn)結(jié)果表明，所提出的分類方法可以提高預(yù)測的準(zhǔn)確性。本研究結(jié)果表明，基于深度學(xué)習(xí)的方法在PNEV 需求建模中提供了出色的性能。在未來的研究工作中，將考慮不同價(jià)格的充電產(chǎn)品、充電和換電的服務(wù)，結(jié)合PNEV 車主的個(gè)人信息，進(jìn)一步提高分類和預(yù)測的性能。