基于聚类分析和卷积神经网络的电动汽车负荷预测

周斌， 胡济洲， 李卉， 刘洁， 李敬

(1. 国网湖北省电力有限公司， 湖北, 武汉 430077；2. 天津天大求实电力新技术股份有限公司， 天津 300384)

0 引言

电动汽车的广泛应用不断推进了电动汽车的普及。纯电动汽车作为清洁能源交通工具，其运行的可靠性和负荷承载能力最为关键[1]。由于电动汽车负荷种类较多，且分析难度较大，在电动汽车负荷预测过程中，对电动汽车负荷承载和优化控制能力的要求较高。为进一步提升电动汽车的驾驶安全性，电动汽车负荷预测问题的相关研究受到人们的极大关注[2-3]。

文献[4]提出了一种基于深度多步时空神经网络的电动汽车负荷时空动态负荷预测方法，通过深度多步时空神经网络对未来的充电负荷规律进行预测和分析，并消除单步滚动预测所产生的误差，提高预测的精度。该方法虽能在一定程度上提高电动汽车的负荷预测精度，但抗干扰能力不够理想。文献[5]分析了电压降控制器的稳定性限制，提出基于相空间重组和特征映射的电动汽车负荷预测方法。结合电动汽车负荷增量分布式检测，预测电动汽车负荷，该方法的电动汽车负荷预测过程中出现负荷特征辨识度不高的情况，导致预测结果误差较大。

针对上述问题，本文提出基于聚类分析和卷积神经网络的电动汽车负荷预测方法，并对其预测方法进行仿真测试，结果表明，本文所提方法具有明显的优势，预测效果较好。

1 电动汽车负荷参数约束指标和负荷预测互感值计算

1.1 电动汽车负荷参数约束指标

为实现电动汽车负荷的优化预测，结合等效电路分析和样本信息特征采样方法，采样电动汽车负荷特征，通过子空间映射和特征序列重组，构建电动汽车负荷特征大数据分析模型，得到电动汽车的能量负荷传递模型如图1所示。

该电动汽车能量负荷传递模型的计算量较小，满足安全驾驶的需要。在图1所示的电动汽车的能量负荷传递模型中，结合功率损耗和电磁损耗抑制方法，对电动汽车的负荷特征序列进行重组，从而构建相应的负荷参数分析模型，通过优化电压增益控制，完成电动汽车的能量负荷传递和自适应控制[6-7]，得到在电动汽车的高频能力分布状态下的谐振频率为ω0。假设系统回流功率稳定状态下的输出电流因素用Ip表示，对于电动汽车能源传递过程中的负荷传递的有效值用Is表示。对电动汽车的共振线圈采用工频变压器进行控制，从而得到双向流动切换的输出电流有效值用Ir表示。输出功率负载用Ro表示，电动汽车的等效传输电流有效值用Io表示，以上参数的特征表达式分别为

(1)

(2)

Io=Ir×(Ro+ω0)

(3)

图1 电动汽车能量负荷传递模型

分析电动汽车的能量负荷参数对回流功率的影响，根据高频变压的特征分布特性，结合电动汽车的能量传递特征值，得到电动汽车的能量输入稳态特征量表示为Zrl：

Zrl=|Ro-ω0|×Ir

(4)

在功率传输因素的影响下，得到电动汽车负荷角速度阻抗和电阻阻抗分别为Zsr、Zps，计算式如式(5)、式(6)：

(5)

(6)

根据开关管的开关频率进行输出功率调节，此时电动汽车的能量传输效率为

(7)

1.2 负荷预测互感值的计算

构建电动汽车负荷分布的统计分析模型，通过模糊关联特征分析方法进行电动汽车负荷特征提取和聚类分析[8]，电动汽车负荷优化分布状态下的输出功率为

(8)

在电源输出侧，分析电动汽车负荷预测的输出响应性能特征，采用模糊均值聚类分析，构建电动汽车负荷的融合聚类分析模型[9]，在谐振频率保持不变的情况下，通过对电压因素和功率因素的关联性分析，实现电动汽车负荷预测和解耦处理，电动汽车负荷量化分析的自相关特征量为

(9)

式中，ak表示电动汽车负荷的闭环比例系数，br表示电动汽车负荷预测过程中的局部收敛权重。

对电动汽车负荷时间序列的自相关特征进行聚类处理分析，得出汽车负荷预测的等效参数模型，从而得到电动汽车的能量互感Msr值，对电流应力、软开关等特性进行联合分析，采用特征挖掘和聚类分析方法，电动汽车负荷预测的互感值为

(10)

式中，τ为负荷预测的采样时间尺度。

2 电动汽车负荷预测

2.1 特征提取

对电动汽车的负荷特征序列进行重组，采用统计时间序列的方法进行分析，并且提取相应的特征量，再结合磁链参数估计方法，结合电动汽车的负荷特征，构建对应的分析模型。通过模糊关联特征分析方法进行电动汽车负荷特征提取和聚类分析，得到电动汽车的负荷参量的优化值为

(11)

结合磁场参数辨识方法，对电动汽车的负荷参量进行局部优化，求得特征参数的分布集，构建负荷检测统计特征量，根据统计特征分析方法，进行电动汽车负荷预测[10]，得到电动汽车负荷特征为

(12)

2.2 基于卷积神经的电动汽车负荷预测

假设电动汽车负荷特征的输入为

FT=ω(net1+net2)

(13)

式中，net表示卷积网络的网层，ω表示负荷加权系数。

(14)

式中，P表示交流电压的相位差，x(t)表示电动汽车负荷特征的功率谱密度。

通过谐振回路分析，在电动汽车负荷序列的预测评价特征分布集提取电动汽车负荷时间序列的耦合性特征量，而且提出的效率高、用时短，得到电动汽车负荷序列的输出功率因素。此时电动汽车负荷状态的每个模态的换流映射为

Z(t)=a(t)+(xi×xj)+θ(t)

(15)

式中，a(t)表示电动汽车负荷预测数据点xi和xj之间的相似度水平，θ(t)表示负荷预测的平均互信息量。

根据上述算法设计，通过卷积神经网络分类识别方法进行电动汽车负荷特征分类学习，根据特征分类结果实现电动汽车负荷的优化预测。

3 仿真实验测试

为验证所提方法的应用性能，设计仿真实验完成相关测试。假设电动汽车的电源容量为240 kW,额定功耗为140 kW，回流功率为12 kW，电流过零点为相位偏差为14 rad/s，电压增益为120 V，特性阻抗为0.78 mH，根据上述参数设定，分析电动汽车的功率损耗与行驶距离的关系，得到预测结果如图2所示。

图2 所提方法功率损耗与行驶距离的预测结果

分析图2得知，随着行驶距离的增加，电动汽车的功率耗损也随着增大，在600 km时达到最大值。本文方法的预测结果与实际值的拟合度较高。

将文献[4]方法、文献[5]方法和本文所提方法进行负荷预测精度的对比测试，测试结果如图3所示。

图3 电动汽车负荷预测结果

分析图3得知，在实验过程中，随着实验迭代次数的增加，本文所提方法的负荷预测精度稳定在90%以上。本文所提方法的负荷预测精度明显高于献[4]和文献[5]方法，主要是由于本文所提方法采用了聚类分析和卷积神经网络，提高了预测的精度。因此，该实验结果表明所提方法的可应用性更强，应用性能更好。

为了进一步验证本文所提方法的有效性，对电动汽车负荷跟踪能力进行测试。本文所提方法的测试结果如图4所示。

(a) 电动汽车负荷真实变化轨迹

(b) 所提方法负荷跟踪结果

由图4所得结果可知，本文所提方法的负荷跟踪结果与负荷真实变化基本吻合，主要是由于通过卷积神经网络分类识别方法进行电动汽车负荷特征分类学习，提高了负荷预测和负荷线性跟踪能力。实验结果验证了本文所提方法能够对负荷进行精准跟踪，提高了负荷的可控性，有效性更强。

4 总结

通过聚类分析和卷积神经网络进行电动汽车负荷预测，并结合等效电路分析和样本信息特征采样方法，采样电动汽车负荷特征，并对其负荷特征进行重组，构建负荷特征分析模型，根据特征分类结果实现电动汽车负荷的优化预测。对其进行仿真测试，测试结果表明，本文所提方法的负荷预测精度更高，负荷跟踪能力更强，可见本文所提方法的应用性能更好，有效性更强。以后的研究将针对超低温等极端环境下该方法的预测精度进行分析。