首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于CNN和LSTM混合网络的直流充电桩功率模块优化

基于CNN和LSTM混合网络的直流充电桩功率模块优化

2024-11-26 70 上传者：管理员

摘要：直流充电桩内部功率变化动态性过强，不易捕捉及计算误差过大，提出基于CNN和LSTM混合网络的功率模块优化方法。根据充电桩电路工作原理，得到电路内部各项参数间存在的直接关联，根据该点采用三相电网平衡原理设计电力稳定控制函数，计算满足电压、电流以及功率最稳的调节比例系数，并作为调节点，建立CNN和LSTM混合网络多层次模型，计算有序、无序充放电过程的电力负荷变化，利用调节比例系数按照充电、放电所需功率需求完成优化。实验结果表明，所提方法的充电桩功率稳定，对充电桩的电压偏移量实现有效改善。

关键词：
CNN和LSTM混合网络
三相电网平衡原理
电力稳定控制函数
电力设备
直流充电桩
加入收藏

现阶段，随着智能电网技术的不断发展，城市建设和工作生产离不开各种类型智能电力设备的支持，例如：充电桩、智能发电机、智能变电器以及各种智能家电设备等。其中，充电桩作为目前的新型设备，是新能源汽车的作用载体，提供基本的电力支持。直流式充电桩内部主要包含功率、控制、计费以及配电单元，各个单元之间相互关联共同协作，但最为核心的为功率电源模块。由于内部元件损耗和干扰信号的影响，导致各个控制单元出现混乱现象，影响充电桩内部功率运行平稳，基于此，需对直流充电桩内部模块进行优化，降低损耗提高运行效率。

考虑电动汽车充电桩无功响应的优化调度策略，建立双层模型，对充电站的有功无功进行优化调度[1]；含光伏的电动汽车快速充电站的优化配置方法，依据目标函数建立优化模型，对充电站的安装容量进行优化[2]。但上述方法均影响充电桩内部功率运行平稳，运行效率较低。

综合上述问题，本文采用一种基于CNN(Convolutional Neural Network，卷积神经网络）和LSTM(Long Short Term Memory，长短期记忆人工神经网络）结合的直流充电网功率模块优化算法。考虑到目前充电桩的电力需求过高的问题，单纯的功率优化存在过多因素限制，本文采用双网络混合的方式建立功率优化函数。预先对直流充电桩的内部电路进行详细分析，获取内部各项电力转换与功率之间的变化关系，找出线性变动规律。功率模块优化算法以CNN和LSTM混合网络为基础，对直流充电桩的有功和无功充放电过程均进行功率平衡，通过功率调整使充电桩内部电力分布达到最佳稳定点。

1、直流充电桩内部电路分析

根据现阶段新能源电动汽车对充电桩的设计要求，给出直流充电桩内部的电路分布结构，通过分析得到电力关键参数的变化，由此确定电路功率运行稳定的功率调节条件。直流充电桩的具体电路内部工作原理如图1所示。

图1 直流充电桩电路工作原理示意图

从图1中可以看出，电路中4个功率开关（VT1、VT2、VT3、VT4）的变化，可直接影响下路的电压值变化。若更改某一处电压值，由于电压与功率值存在直接关联关系，二者中其一的变化均会影响到另一处，所以，后续进行功率优化时，需重点考虑与功率存在直接或间接关联的指标，这样才能确保功率优化算法的适应能力和精准性。

2、直流充电桩电力控制函数设计

最优的功率模块优化算法不仅要满足内部电力运行需求，还要满足稳定性和平衡能力的需求，基于此，设计一种电力控制函数，结合三相电网平衡原理，设计适应度最高、稳定性最强的优化函数。

由于直流充电桩存在电感影响，电网中的各类指标之间存在相互制约的情况，本文建立一种旋转坐标，按照三相电网平衡的条件[3]，对充电桩的电网内部的矢量变化点进行有效调节，使其具有一定的独立性。根据三相同步旋转坐标下，得到电网指令公式为：

式中，Kip表示调节器的比例系数[4];Kit表示调节器的积分系数；iq、iq'分别表示d和q轴的电流初始分量和电流最终分量；eq、id分别表示在d和q轴的电压矢量和电流矢量变化值；uq、ud分别表示在d、q轴的控制参数。

为消除充电桩电网中不稳定的因素，保证电压、电流以及功率的三相平衡，将公式（1）简化为：

式（2）中，Ls表示闭环线路长度。此时分量已经全部独立，只需确定Kip和Kit的数值，可以精准平衡充电桩电网内部各个指标的动态变换参数。

设TK、TS、TL分别为电流采样、电压采样以及功率延时的等效增益值，令TK=0.1,TS=TL=0.5，将其代入到带电网闭环动态函数中[5]，可得到：

式中，wi表示电网闭环动态函数；Gi(s)表示二阶功率变化特征值。

根据二阶功率变化特征Gi(s)，设置充电桩电网的阻尼系数比为ξ，根据充电桩的最佳符合运行时间及超调量参数，推导得出符合最佳响应系数、最稳定电压、电流以及功率三相变化的阻尼调节比例系数[6]，表达公式为：

式中，Kpim表示最佳响应系数。通过上述过程的参数调整，可确保后续进行功率优化时，特征捕捉函数不受除功率变化外任何特征值的影响，保证功率捕捉的敏感性和精准能力，提高优化质量。

3、基于CNN和LSTM混合网络的充电桩功率优化模型

由于直流充电桩内部的电力变化存在高的动态特性，采用一般算法直接进行功率优化，造成过多的运算冗余，且未进行初步数据分拣，导致后续功率优化容易受到数据混淆影响。所以，实施具体的功率优化前，本文采用CNN和LSTM混合网络建立多层次的分类模型，根据功率的卷积特性对其进行训练分拣[7]，降低下一步功率优化因特征查找不明确导致的优化精准度较低的问题。

CNN和LSTM混合网络的结构是：从开始输入的卷积层动作中抽取卷积特性后，分层映射到输出层，然后，可以选择符合实时功率表达的特性，进行多个层次的层叠，经过完整地连接最后的特点，以达到优秀的目标分类。在此基础上，假设直流充电桩内部存在用户响应调度中心[8]，接入有序充放电；其中存在不响应调度信息的部分接入无序充放电。根据该特性，将充电桩内部的功率响应集群，划分为充电和放电集群，得到在时刻下，用户的充放电响应函数为：

式中，N表示区域内用户数量；Ndis表示响应充放电的用户数量；Nv表示最佳响应充放电的用户数量；φdis(t)表示放电功率响应度；φv(t)表示充电功率响应度；φ(t)表示充放电用户功率响应之和。当φ(t)=0时，此时充电桩的充放电功率响应均为0。

(1）无序充电调度模型

受区域内的充电桩功率限制[9]，假设，电动汽车的充电功率等于是连接充电桩的功率值，不同类型的充电桩所承载的功率不同，由此计算可持续充电的最佳时长te,i为：

式中，SOCi,max表示第i个充电桩的最大负荷；SOCi表示第i个充电桩的开始充电的负荷状态；Pe,i表示第i个充电桩的连接功率[10];Ci表示第i个充电桩的电池容量；ηCEV表示第i个充电桩的最佳充电效率。

在te,i时间段内充电桩的无序充放电负荷优化函数为：

式中，Puno(te,i)表示在te,i时间段内无序充电负荷，t=1,2,…,24，表示在te,i时间段内的最佳充电功率；α1表示充电桩功率的实时状态；α2表示动力汽车内部功率的实时状态。

(2）用户响应调度的最佳功率充放电模型

为保证可迎合用户工作的最佳响应需求，功率优化需要符合用户充放电需求，本文采用可控制优化策略，将用户所需的最小功率参数等信息[11]，输入控制优化函数中，计算充电桩跟随用户充放电连续时间的功率状态变化：

式中，ηdEV表示跟随用户功率变化的效率；Pdis,i表示所连接充电桩的功率值；SOCα,i表示必要功率状态；SOCβ,i表示用户焦虑功率状态[12]。

根据上述过程求得的用户最佳功率状态，按照该状态对直流充电桩功率模块进行最终优化：

式中，Pdis,eloand(t)表示符合用户标准的功率优化数值。

4、仿真实验

4.1实验背景

本次实验利用MATLAB仿真软件进行数据编程，选用IEEE33配电系统进行具体的模拟测试，充电桩内部节点一共有29个。采用恒功率因数控制并网，充电站节点安排在各个PV1、PV2、EV1、EV2以及EV3的双端节点处，采用双向变压器，通过调节变压器参数达到充放电过程，节点允许的最大电压变化范围为0.95～1.05 pu，支持的最大电流为500 A。充电桩电路拓扑示意图如图2所示。

图2 仿真实验配电系统结果拓扑图

4.2充电桩充放电功率优化结果对比分析

分别对直流充电桩充放电过程的功率变化进行优化，验证文中功率模块优化算法的有效性，采集12天24小时内充电桩负荷功率的变化曲线，以此作为后续功率优化效果的参考，如图3所示。图4为第11天第11时段直流充电桩充电功率优化结果，图5为第12天全天直流充电桩放电功率优化结果。

图3 充电桩负荷功率曲线

图4 第11天第11时段直流充电桩充电功率优化结果

从图4中可以看出，若以第11时段进行功率优化对比，发现直流充电桩原始功率在该时段内的表达数值为0，此时，进行功率优化分配所求的最优充电功率自然也为0，符合实际情况，对比优化前后两条曲线也可明显看出，经过本文合理控制后的功率模块，能够达到“削峰填谷”的效果，对峰值过高的功率值实现削峰，即去除多余功率，对低估的功率值实现填补，即补充功率不足，改善因直流充电桩系统的负荷峰谷差值。

图5 第12天全天直流充电桩放电功率优化结果

从图5中可以看出，第12天的优化结果观察到，优化前的实际功率变化较为混乱，优化后功率变化相对稳定，整体输出存在一个平稳的中心范围（1.0～1.5）附近波动，保证功率有效输出的同时，避免过度充电或过度放电现象。经过本文优化调整后的直流充电桩功率值得到了明显的改善，这是因为本文采用卷积神经网络和人工网络，对充电桩需要满足的用户条件进行重点分析，预先分辨可能出现的误差影响，降低优化算法的误判率。

4.3基于节点电压偏差分析的功率优化结果

为了研究功率模块优化对直流充电桩运行状态性的影响，按照以下操作步骤进行进一步测试：

(1）无电动汽车或其他设备接入充电桩；

(2）以最小电力损伤为目标，仅对充电桩的有功充放电实施优化；

(3）以最小电力损伤为目标，同时考虑无功影响，对充电桩的有功和无功充放电均实施优化。

对上述（1)～(3）的功率优化目标进行求解，得到充电桩内部各个节点的电压偏移量V计算公式为：

式中，Vispace表示充电桩内部节点的期望功率值；Vimax、Vimin分别表示充电桩内部节点i功率的最大值和最小值；Vi(t)表示节点i在第t时间段内的实际功率值。

基于公式（12）求解得到充电桩功率优化结果如表1所示。考虑到节点数量过多，对于图2中的PV1、PV2电路节点，只选择开端和结尾两个节点作为主要参考。

从表1中可以看出，充电桩电网各个电路节点功率差值变化大不相同，其中，各个线路节点电压偏差值均在0.02范围之内，有功和无功功率的变化也均保持在一个稳定偏差区间内。由此说明，本文对直流充电桩优化效果较好，保证充电桩内部各电路的输出功率保持一致，令其运行具有高稳定性。并且，通过功率的优化调整，还可约束因功率不稳定导致的电压过失或单向接地等故障，算法整体实用价值较高，应用在实际的新能源工作中，可为其提供重要帮助。

表1 三种方案功率优化对比结果

5、结束语

本文针对直流充电桩内部存在功率表达不平衡以及充放电过程功率变化不稳定的问题，采用基于CNN和LSTM混合网络的功率优化算法对该问题完成有效解决。传统的优化算法过于依赖功率线性特征表达，例如余量变化、电压以及电流导致的功率变动，但本文所用的卷积神经网络和人工网络结合算法，在精准捕捉直接导致功率变化的指标同时，还能捕捉一些间接的细微因素，保证优化的精准性，不漏缺实时的充电桩功率变化。文中的直流电路控制函数，按照目前电网的三相平衡条件使得优化参数符合充电桩功率稳定、满足用户需求的两大条件，提高优化效果，保证最佳优化质量。方法对充电桩的充电和放电过程产生的功率变化均能实现合理优化，符合实际需求，实用价值很高。

参考文献:

[1]王冠,刘苏贤,赵浩然,李波.考虑电动汽车充电桩无功响应的优化调度策略[J].湖南大学学报(自然科学版),2021,48(10):152-160.

[2]洪浩,朱海蛟,姜珺.基于物联网技术的医院信息管理系统[J].自动化技术与应用,2024,43(6):107-111.

[3]杨杰庆,姜晓雪,赵克全.高速公路充电站选址定容问题的多目标优化方法[J].重庆师范大学学报(自然科学版),2021,38(1):11-21.

[4]张晶,康锦萍,李涛永,等.考虑电磁兼容特性下电动汽车直流充电桩测试装置的模块化设计及应用[J].电力自动化设备,2022,42(2):70-76.

[5]周贤富,尤子龙,李静,等.基于DSP+ARM的直流充电桩高精度电能表的研究[J].电测与仪表,2021,58(2):196-200.

[6]侯春光,许玉婷,韩颖,等.基于正交试验法的功率模块优化对直流充电桩散热影响研究[J].电器与能效管理技术,2019(8):32-37,77.

[7]易忠林,巨汉基,王杰,等.基于二进制粒子群的充电桩故障定位系统配置与定位方法[J].电测与仪表,2021,58(2):139-145.

[8]窦亚力,聂秀云,王璐璐,等.基于STM32F407有序交流充电桩控制系统设计[J].电气应用,2022,41(6):81-89.

[9]曲大鹏,范晋衡,刘琦颖,等.考虑配电网综合运行风险的充电桩接纳能力评估与优化[J].电力系统保护与控制,2022,50(3):131-139.

[10]胡金迪,刘思,沈广,等.基于端对端通信的充电桩无功响应分布式模型预测控制策略[J].电力系统自动化,2022,46(4):25-35.

[11]刘科学,李雪梅,谢枫,等.基于联络线峰谷差的充电桩综合运行效益检测系统[J].自动化技术与应用,2022,14(7):121-124.