基于混合分类的插电式新能源汽车行为需求预测

唐菲，郑振

（1.武汉船舶职业技术学院，湖北 武汉 430050；2.武汉软件工程职业学院，湖北 武汉 430205）

0 引 言

插电式新能源汽车（Plug-in New Energy Vehicles,PNEV）是介于纯电动车和燃油汽车之间的一种新能源汽车，是减轻碳排放、提高可持续发展的有效途径。从电力系统的角度来看，PNEV 车主的电力需求与传统电力消费的峰值负载高度一致，其动态性为预期负载曲线带来很大的不确定性。关于PNEV 行为建模的研究可分为基于情景的方法和数据驱动的方法。基于场景的方法大多采用了蒙特卡洛法，这些方法依赖于根据参数（即PNEV 出发时间、到达时间和行驶距离）的概率分布定义的搜索空间生成大量随机样本。例如，可使用正态分布函数和高斯分布函数为每个参数生成样本，或使用联合概率分布函数来生成出发时间和到达时间。这些方法具有较高的计算成本、效率低下，且需要大量的数据样本来覆盖搜索空间。在数据驱动方法中，部分现有研究使用自回归综合移动平均模型等时间序列预测工具对PNEV 的需求进行预测，但是PNEV 行为和需求的不确定性会影响这些工具的准确性。还有研究利用基于神经网络的数据驱动方法来克服上述PNEV 出行行为预测中的不足。但是目前的研究采用了浅层神经网络，其结构无法提取大型数据集的主要特征。除此以外，基于神经网络的方法缺乏考虑在PNEV 的隐藏行程模式对电力需求计算的影响。本文提出了基于深度学习的解决方案，以弥补现有研究的不足。深度学习是解决具有复杂相互关系的大维度问题的有力工具。深度学习能够完全从历史数据中自动提取大维度数据的主要特征。本文将真实世界的PNEV 数据馈入至深度分类器，以便根据其中存在的隐藏行为模式自动对数据进行聚类，并为每个簇分配一个深度网络，以捕获和预测每个簇的独特行为。为了进一步提高预测结果的准确性，本文我们利用了深度长短期记忆（Long Short Term Memory,LSTM）网络，以模拟行为的短期变化以及出行模式特征的长期趋势。本文提出了一个称为聚合器的中介机构，通过充电计划和合同，聚合器旨在从技术和经济角度满足其PNEV 的充电需求。

1 分类和预测方法设计

为了提高充电效率，聚合器需要准确地估计PNEV日前（Day-Ahead,DA）的行驶行为。PNEV 行为和需求预测的流程如图1所示，该方案采用深度LSTM 网络进行分类和预测。

图1 PNEV 行为和需求预测的流程

每个深度LSTM 网络都是通过堆叠LSTM 块来构建，每个LSTM 块是一个层。本文使用深度LSTM 网络进行分类和预测任务，除了网络的最后一层配置外，这两个任务中网络的整体结构是相同的。在预测网络中，将整流线性单元（Rectified Linear Unit,ReLU）作为最后一层的激活函数，并使用均方误差（Mean Squared Error,MSE）函数来计算训练误差；而在分类过程中，分别使用SoftMax 激活函数和分类交叉熵（Categorical Cross Entropy,CCE）函数作为网络最后一层的激活函数和误差计算函数。为了提高所提出方法的鲁棒性和稳定性，避免训练过程中的过拟合问题，在损失函数中附加了L2 正则化项，并应用了概率分别为0.001 和0.5的dropout 技术。

为了发掘PNEV 行驶数据中隐藏的行驶模式，将基于K-means 的无监督方法和基于深度LSTM 网络的有监督方法结合。分类任务的流程如算法1 所示：

在算法1 中，使用K-means 算法以无监督的方式对出发时间数据进行聚类，并根据Davies-Bouldin（DB）索引确定最佳簇数。该索引定义为簇内和簇间距离的比率，即：

对PNEV 数据进行分类的是减少每个深度网络需要学习和预测的数据量，从而提高整体预测的准确性。为了预测到达时间和行驶距离，为每个簇分配了两个深度LSTM 网络——一个学习出发时间和到达时间之间的映射来预测到达时间，另一个学习出发时间、到达时间和行驶距离之间的映射以预测行驶距离。预测过程如算法2 所示：

在测试过程中，两个深度LSTM 网络按以下顺序执行：第一个深度LSTM 网络将深度分类器提供的出发时间数据作为输入，并预测相应的到达时间。然后，预测的到达时间与相应的出发时间一起被馈送到第二个深度LSTM 网络，以预测与每个数据对相关的行进距离。这样，出发时间、到达时间和行驶距离之间的相关性被保留在预测的旅行参数中，以提高预测的准确性。

2 充电需求优化问题

最大限度地降低PNEV 车主的充电成本是一个重要的目标。假设聚合器通过利用PNEV 的需求灵活性并在日前能源市场（Day-Ahead energy Market,DAM）和实时市场（RTM）中获取预期的充电需求来最小化PNEV 的充电成本。

聚合器需要解决如下所示的优化问题以确定其DAM 能源投标：

随后本文建立了如下所示的RTM 优化问题，以评估聚合器在投标部署当天的性能：

优化问题的目标是最小化RTM 聚合器的成本Cost，该项由3 个成本组成：Cost是指从RTM 获取额外能源需求的成本；Cost是指无法使用中标的DAM 能源的成本；Cost是指投标部署当天的PNEV 的EENC。

3 实验评估

实验评估部分进行数值模拟，使用了从北京电动汽车监控与服务中心收集得到的大量新能源出租车数据来训练提出的深度学习模型的方法。其中，80%的数据集用于训练，10%的用于验证，10%的用于测试。为了制定最佳的充电任务，考虑了一个中压配电网络，该网络由21 个节点组成，最大需求为310 kW，每个节点的滞后功率因数为0.98。每个馈线段的电流容量为314 安培，允许电压偏差为5%。为了在网络中模拟负荷，随机生成负荷曲线，而DA 和RTM能源价格则从充电桩运营商获取。低于中标DA 投标的消耗罚款价格设置为给定日期最高能源价格的30%，将最低PNEV 的荷电状态（State Of Charge，SOC）设定为75%，将和设置为各自市场最高能源价格的50%。使用CPLEX 工具对优化问题进行求解。对于神经网络的训练，使用了MATLAB 中的Classification Learner分类学习器和Deep Network Designer 工具箱分别用于执行LSTM 网络的分类和训练程序。分类和预测任务中的深度LSTM 网络分别由100 和300 个LSTM 区块构建，其中设置为15。实验使用作为评估指标，其定义为：

实验首先通过根据出发时间对PNEV 数据进行无监督聚类，得到五个不同的簇，如图2所示，表示数据集中存在五种隐藏的旅行模式。随后，使用深度LSTM 网络进行有监督分类任务，结果如表1所示。由该结果可知，深度LSTM 网络具有较高的分类精度和准确性。

表1 分类精度和准确性

图2 无监督聚类结果

进行分类后，使用深度LSTM 网络分别为每个簇预测到达时间和行驶距离。为了验证分类任务的有效性，实验部分将在分簇后和未分簇的数据上进行预测，结果如表2所示。分簇对预测精度的影响在行驶距离上比到达时间更明显，即经过分簇后，行驶距离的预测精度有显着提高。

表2 R2 指标对比

4 结 论

本研究提出了基于深度学习的预测方法，该方法使用深度LSTM 网络预测PNEV 的行驶行为及其电力需求。实验结果表明，所提出的分类方法可以提高预测的准确性。本研究结果表明，基于深度学习的方法在PNEV 需求建模中提供了出色的性能。在未来的研究工作中，将考虑不同价格的充电产品、充电和换电的服务，结合PNEV 车主的个人信息，进一步提高分类和预测的性能。