基于CNN和LSTM混合网络的电动汽车充电桩运行状态预测方法与流程

基于cnn和lstm混合网络的电动汽车充电桩运行状态预测方法
技术领域
1.本发明涉及电动汽车技术领域，特别涉及一种基于cnn和lstm混合网络的电动汽车充电桩运行状态预测方法。


背景技术：

2.推广使用新能源汽车，尤其是电动汽车，是我国当前节能减排、推动产业升级和实现经济转型的必然选择。充电设施是新能源汽车发展的重要基础，充电设施配套率是影响新能源汽车发展的重点因素之一。然而，在充电桩运维运营中广泛存在故障类型辨识速度慢、运维周期长等问题，导致整体利用率不到10％。充电桩故障检测系统是目前电动汽车服务系统中最核心的环节，是决定服务质量好坏的决定性因素。为保障充电市场健康发展，亟需深入研究充电桩故障辨识技术，建立充电桩运行状态评价体系，为充电桩运维提供技术指导，快速定位充电桩故障，提高检修效率。
3.故障检测方法大多基于经验判断，目前通过深度学习技术识别的方法很少。已经提出了充电桩的有限故障检测，早期的方法是通过人工检测和建立分析模型来检测故障。这些方法和模型在一定程度上可以判断充电桩故障，但判断准确率不高。同样，随着充电桩数量的增加和设备系统的日益复杂，上述方法也难以检测故障。因此，需要更有效的方法来进行故障检测。
4.人工智能和机器学习得到广泛应用，也成为研究热点。这种使用神经网络学习特征和分类的方法在模式识别、图像分类等许多领域取得了非常好的效果。其中，卷积神经网络(convolution neural network，下文简称“cnn”)是前馈神经网络的一种变体，由lecun等人首先提出，它具有特征提取的优势并成为解决分类问题的强大模型。在过去的二十年中，cnn已成功用于解决许多研究领域的分类问题，其优势在于它能够捕获输入数据中特征的局部依赖性。长短期记忆网络(long short term memory，下文简称“lstm”)是循环神经网络(recurrent neural network，下文简称“rnn”)的变体。它自从发明以来，已广泛用于时间序列预测，解决rnn学习过程中反向传播长时间滞后导致梯度爆炸或减小的问题，并被证明在长期和短期预测中表现良好。


技术实现要素：

5.本发明的目的是：快速预测与定位充电桩故障，提高检修效率。
6.为了达到上述目的，本发明的技术方案是提供了一种基于cnn和lstm混合网络的电动汽车充电桩运行状态预测方法，其特征在于，包括以下步骤：
7.s1、建立充电桩运行状态指标体系
8.充电桩运行状态由表征充电桩性能参量的优劣情况反应出来，分为正常状态、一般缺陷状态、严重缺陷状态和危急状态，对应的状态集为v＝{v1，v2，v3，v4}，其中：v1为正常状态、v2为一般缺陷状态、v3为严重缺陷状态、v4为危急状态；
9.s2、对于充电桩的状态信息数据，建立充电桩运行状态指标权重
10.步骤1、确定比较矩阵：对于n个状态指标，首先两两比较各个状态指标的重要程度，形成比较矩阵x：
[0011][0012]
式(1)中，x
ij
表示第i个状态指标与第j个状态指标的重要程度比较结果，i＝1，2，...，n，j＝1，2，...，n；
[0013]
步骤2、确定排序数：解出第i个状态指标和n个状态指标的比较结果，并进行求和，得到第i个状态指标的排序指数bi：
[0014][0015]
步骤3、确定评判矩阵y：由排序数求解评判矩阵中的每个元素，其中第i行第j列的元素y
ij
由下式(3)计算：
[0016][0017]
式(3)中，b
max
＝max(bi)，b
min
＝min(bi)，
[0018]
根据计算得到的评判矩阵y构造拟优一致矩阵y
′
，拟优一致矩阵y
′
中的第i行第j列的元素y
ij
′
由下式(4)、(5)计算
[0019][0020]dij
＝iny
ij
ꢀꢀꢀ
(5)
[0021]
s3、建立并训练cnn和lstm混合网络，选取充电桩关键指标量的运行时间的隶属度为输入，由cnn和lstm混合网络输出下一时刻所要预测的状态信度区间，由cnn提取充电桩运行指标的特征属性，再通过lstm将cnn提取的特征属性与时间相关联，作为预测的工具。
[0022]
优选的，步骤s1中，v1为正常状态，表示充电桩设备运行稳定，充电桩的所有状态参量符合标准；v2为一般缺陷状态，表示充电桩设备可以运行，但充电桩的部分参量变化趋势朝接近预警值的方向发展，且还没有超过预警值；v3为严重缺陷状态，表示充电桩的部分特征参量变化较大，已接近标准限值，或有部分一般参量已经超过标准值，表现为一个或多个缺陷，应监视运行，并尽快安排停电检修；v4为危急状态，表示充电桩的部分状态参量已经超过预警值，表现为一个或多个危急故障，必须立即进行停电检修。
[0023]
优选的，步骤s2中，充电桩的状态信息数据包括通用选型配置、关键部件质量、运行环境和其他评价。
[0024]
本发明提出一种基于cnn和lstm混合网络的电动汽车充电桩运行状态预测方法，
解决了充电桩故障检测效率低、精度低的问题。首先，通过获取充电桩的相关历史典型故障数据、信息参数和运行环境等运行状态数据，分析故障桩的影响因素并确定充电桩运行状态的关键指标量，再对关键指标量进行量化量级分析处理，利用改进的层次分析法确定关键指标量的权重，搭建一种cnn和lstm混合网络架构，cnn网络主要对充电桩运行状态的关键指标进行特征挖掘和提取，lstm网络将关键特征量与时间维度相关联，利用cnn和lstm混合网络对训练样本进行训练.并结合测试样本调整相关参数，提升分类准确率最后，使用mae和rmse来验证模型性能。同时，使用模型准确率来验证分类的准确性。实验结果表明，该模型效率高，实用性强。
附图说明
[0025]
图1为充电桩运行状态信息模型；
[0026]
图2为lstm的基本结构；
[0027]
图3为cnn和lstm混合网络的基本结构；
[0028]
图4为一种基于cnn和lstm混合网络的充电桩状态预测架构。
具体实施方式
[0029]
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。
[0030]
本发明提供了一种基于cnn和lstm混合网络的电动汽车充电桩运行状态预测方法，包括以下步骤：
[0031]
s1、建立充电桩运行状态指标体系
[0032]
充电桩运行状态由表征充电桩性能参量的优劣情况反应出来，可分为正常状态、一般缺陷状态、严重缺陷状态和危急状态四种风险等级，对应的状态集为v＝{v1，v2，v3，v4}。
[0033]
v1为正常状态，表示充电桩设备运行稳定，充电桩的所有状态参量符合标准。v2为一般缺陷状态，表示充电桩设备可以运行，但充电桩的部分参量变化趋势朝接近预警值的方向发展，且还没有超过预警值。v3为严重缺陷状态，表示充电桩的部分特征参量变化较大，已接近标准限值，或有部分一般参量已经超过标准值，表现为一个或多个缺陷，应监视运行，并尽快安排停电检修。v4为危急状态，表示充电桩的部分状态参量已经超过预警值，表现为一个或多个危急故障，必须立即进行停电检修。充电桩运行状态与对应的检修策略如下表1所示。
[0034]
充电桩状态正常注意严重危急检修策略计划检修优先检修尽快检修立即检修
[0035]
表1：充电桩状态与对应的检修策略
[0036]
充电桩的状态信息数据主要包括以下几方面：通用选型配置、关键部件质量、运行环境和其他评价等。基于图1所示的充电桩不同维度的多源状态信息模型，可从中挖掘表征充电桩运行状态的特征信息。
[0037]
由于复杂的设备状态评价问题往往都是多级多层次的，为了更好地明确指标层次的结构，一般将评价指标体系大体上划分成三层结构：第一层为总评价目标层；第二层为子目标层，也称准则层；第三层为指标层，也称目标层。在实际评价工作时，应先确定研究对象的总目标，然后逐级对研究对象进行分解，并对各分解的因素进行分析。
[0038]
s2、建立充电桩运行状态指标权重
[0039]
本发明对传统层次分析法进行了改进。针对九标度法还存在较强的主观性，采取三标度法，即1、5、9标度分别表示重要性相同、明显重要、极端重要。以降低其主观性，增强客观性。其次，当不满足一致性检验时需要不断修正判断矩阵，采用最优传递矩阵，其优点是能直接得到权重向量，避免一致性检验过程，从而提高计算效率。具体过程如下：
[0040]
步骤1、确定比较矩阵：对于n个状态指标zn，首先两两比较各个状态指标的重要程度，即指标zj与zj相互比较，形成比较矩阵x：
[0041][0042]
式(1)中，x
ij
表示第i个状态指标与第j个状态指标的重要程度比较结果，该重要程度比较结果通过两两指标之间相互对比得到，i，j＝1，2，...，n。
[0043]
步骤2、确定排序数：解出第i个状态指标和n个状态指标的比较结果，并进行求和，得到第i个状态指标的排序指数bi：
[0044][0045]
步骤3、确定评判矩阵y：由排序数求解评判矩阵中的每个元素，其中第i行第j列的元素y
ij
由下式(3)计算：
[0046][0047]
式(3)中，b
max
＝max(bi)，b
min
＝min(bi)，
[0048]
根据计算得到的评判矩阵y构造拟优一致矩阵y
′
，拟优一致矩阵y
′
中的第i行第j列的元素y
ij
′
由下式(4)计算
[0049][0050]dij
＝iny
ij
ꢀꢀ
(5)
[0051]
s3、建立基于cnn和lstm混合网络
[0052]
给定一个训练数据集{xn，n＝1，2，...，}和相应的标签集{tn}作为目标。本发明中，将通过历史数据获得的个拟优一致矩阵y
′
作为训练数据集，即训练数据集中第n个样本数据xn即为一个通过前述方法获得的拟优一致矩阵y
′
，每个拟优一致矩阵y
′
所对应的充电桩
运行状态组成相应的标签集。
[0053]
cnn通过最小化均方误差或如下式(6)所示的e(w)函数进行训练：
[0054][0055]
式(6)中：y(xn，w)是给定向量输入xn和训练算法产生的向量权重w和tn对应的实际标签(类)作为cnn输出的预测标签(类)。
[0056]
由cnn提取充电桩运行指标的特征属性，再通过lstm将cnn提取的特征属性与时间相关联，作为预测的工具。
[0057]
lstm可以看作是一个lstm单元的网络。每个lstm单元都配备了三个控制信息流的门：输入门、遗忘门、输出门，结构如图2所示。
[0058]
lstm网络包括几个跟踪序列信息的门。该网络包含三个门，输入门i
t
、遗忘门f
t
和输出门o
t
。输入门i
t
的作用是选择下一个状态要存储的数据，遗忘门f
t
从状态数据中选择不会被存储的数据。例如，如果计算结果为0，则意味着完全保留该信息。如果计算结果为1，则意味着完全丢弃该信息。输出门o
t
确定要路由到输出的状态信息。符号c代表单元状态，在任意时刻t，用下式(7)至下式(10)所示表示的方程来计算i
t
、f
t
、o
t
和
[0059]ft
＝σ(wf×
[h
t1
，x
t
]+bf)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0060]it
＝σ(wi×
[h
t-1
，x
t
]+bi)
ꢀꢀꢀꢀꢀꢀ
(8)
[0061]ot
＝σ(wox
t
+bo)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0062][0063]
式中，σ表示激活函数sigmoid，wf、wi、wo及wc均为权重矩阵，bf、bi、bo和bc表示偏置向量，x
t
是时刻t的输入，该输入为经cnn提取的充电桩运行指标的特征属性，h
t-1
是前一个时刻计算的lstm输出，是tanh层创建的中间候选值的矢量，σ是符号sigmoid的激活函数。
[0064]
然后，遗忘门规则是计算要从单元状态中删除的先前内存值，先前内存值为之前的单元状态。
[0065]
此外，输入门确定单元状态的新输入。cell状态的计算如下式(11)所示：
[0066][0067]
然后，lstm输出如下式(12)所示：
[0068][0069]
给定wy是h
t
降维的投影矩阵。
[0070]
lstm输出的作为计算下一个时刻预测值的输入。
[0071]
cnn和lstm混合网络的预测模型有两个组成部分，分别为cnn和lstm，它们在故障预测模型中扮演着各自的角色。cnn可以高效挖掘输入序列的潜在信息。lstm可以更好地预测输入序列，其结构如图3所示。
[0072]
s4、基于cnn和lstm混合网络的充电桩运行状态预测
[0073]
选取充电桩关键指标量：通用选型配置、关键部件质量、运行环境和其他评价、运行时间的隶属度为输入，将下一时刻所要预测的状态信度区间作为输出。
[0074]
基于cnn和lstm混合网络的充电桩状态预测架构如图4所示，具体步骤如下。
[0075]
(1)收集选取样本，将样本划分为训练集和测试集。
[0076]
(2)将训练样本中通用选型配置信息及关键部件质量、运行环境、其他评价，以运行时间的隶属度作为输入。为降低通用选型配置信息数据分散性对模型的影响，采用离差标准化方法进行归一化处理，如下式(13)所示：
[0077][0078]
式(13)中，z
min
为样本数据最小值，x
max
为样本数据最大值，为归一化之后的数据。
[0079]
(3)对关键部件质量利用支持向量机拟合三角形和半梯形组合的隶属度函数得到对应于不同状态的分布函数。
[0080]
(4)对运行环境和其他评价根据模糊统计实验进行评判。
[0081]
(5)根据层次分析法确定通用选型配置、关键部件质量、运行环境和其他评价参数中各指标权重。
[0082]
(6)步骤(3)、(4)中结果依据步骤(5)权数分配加权求得对应于v1，v2，v3，v4的综合模糊评判结果，将综合评判结果作为数据标签。
[0083]
(7)对cnn和lstm混合网络模型进行训练，提取关键参量与所预测充电桩状态之间的特征联系，获取预测模型参数。
[0084]
(8)利用cnn和lstm混合网络预测模型参数对测试集中充电桩进行状态预测，验证模型精度。
[0085]
s5、采用平均绝对误差(mean absolute error，mae)e
mae
和均方根误差(root mean square error，rmse)e
rmse
来研究预测结果。其定义如下式(14)及下式(15)所示：
[0086][0087][0088]
其中，n为预测的数量；yi为当时的标准化实际观察值；yi为同一时期的预测标准化值；i为预测点序列编号。
[0089]
s6、选取从工程现场搜集整理的626例确认存在异常缺陷故障的充电桩数据和174例在线运营平台出现预警/报警后跟踪观察的充电桩状态数据组成cnn-lstm模型的样本库。随机选择其中的640例充电桩状态数据组成训练集，其余160例充电桩数据组成测试集。利用cnn网络提取所预测充电桩状态与通用选型配置、关键部件质量、运行环境和其他评价的关联特征。为增加学习速度和效果，降低网络在学习时陷入局部极小值的风险，对cnn网络中权重矩阵首先通过服从均值为0，方差为1的高斯分布随机初始化，再利用奇异值分解得到交基矩阵作为初始化值。cnn偏置项和输出层偏置项初始化为0，输出层权重矩阵为服从均值为0，方差为1的高斯分布的随机数乘以0.01。预测模型由lstm网络和softmax网络层组成。其中输入层规模为100。三个conv层都设为16组卷积核，卷积核大小分别设为8
×
8、5
×
5和3
×
3，其后紧跟一个batch normalization函数和一个relu激活函数，lstm中隐层神经元个数为128，为防止过拟合，信号损失率设为0.2，输出层规模为4，迭代次数为100。
[0090]
如表2所示，bp、arima和cnn-lstm方法对充电桩运行状态一个月预测的mae和rmse的结果。对于相同的测试集中，与bp神经网络和arima模型相比，cnn-lstm预测模型是接近实际充电桩故障情况，它的mae和rmse的结果最低。
[0091]
方法maermsecnn-lstm0.8751.186arima0.9681.347bp1.0691.464
[0092]
表2不同预测方法的误差结果。