基于自适应虚拟电抗(Virtual Reactance)的电动汽车充电站构网型变流器(Grid-Forming Converter, GFM)故障限流(Fault-Current Limiting)方法

《Vehicles》:Adaptive Virtual-Reactance-Based Fault-Current Limiting Method for Grid-Forming Converters in EV Charging Stations Hongyang Liu and Zhifei Chen

【字体: 大 中 小 】 时间:2026年03月20日 来源:Vehicles 3.2

编辑推荐:

  准确的短时交通延误预测对于有效的交叉口管理和实时交通控制至关重要。尽管深度学习模型在交通预测中展现出强大的预测能力,但输入特征配置对预测性能的影响仍未得到充分理解。本研究以吉达(Jeddah)市某城市环形交叉口采集的高分辨率、分钟级进口道(Approach-L

  
准确的短时交通延误预测对于有效的交叉口管理和实时交通控制至关重要。尽管深度学习模型在交通预测中展现出强大的预测能力,但输入特征配置对预测性能的影响仍未得到充分理解。本研究以吉达(Jeddah)市某城市环形交叉口采集的高分辨率、分钟级进口道(Approach-Level)交通数据,考察不同特征组如何影响短时交通延误预测。评估了五种特征情景(S0~S4)——从仅含时间指示器的基线(S0)到结合历史延误、运行态交通指标、交通需求测量及时间上下文的完整特征集(S4),并在1分钟和5分钟超前预测步长下,采用两种循环神经网络架构——门控循环单元(Gated Recurrent Unit, GRU)和长短期记忆(Long Short-Term Memory, LSTM)网络进行研究。为确保稳健性,每种配置均通过重复训练运行并结合统计显著性分析进行评估。结果表明:仅含时间特征的基线产生最大预测误差(MAE≈22.5 s);引入运行态交通指标(Operational Traffic Indicators, 如排队动态和停车模式)的情景显著改善预测精度;完整特征配置(S4)在1分钟预测步长下取得最佳性能,GRU和LSTM的MAE分别达17.24 s和17.22 s;在5分钟预测步长下预测误差增大且各特征情景间性能差异缩小。跨进口道的附加实验证实了所提出框架的一致性,超参数敏感性分析表明模型性能对网络容量依赖有限。研究发现强调了运行态交通指标——尤其是排队(Queue)动态和停车(Stop)模式——对可靠短时延误预测的重要性,并为设计高效的实时交通预测系统提供了实践指导。
论文解读:城市环形交叉口短时交通延误预测的入参特征组贡献度控制实验研究
研究背景与意义
传统统计与时序模型(如ARIMA)难以刻画交通流的非线性与动态特性,深度学习中的循环神经网络(RNN)——特别是长短期记忆网络(LSTM)与门控循环单元(GRU)——已被广泛用于交通流与速度预测,但既有文献多聚焦于改进模型架构,对入参特征选择(Feature Selection)及不同交通特征组(历史延误、运行态变量、需求变量、时间上下文)对路口级(Intersection-Level)短时控制延误(Control Delay)预测贡献度的系统性对照研究较少。路口延误受排队形成消散、停车-启动波、信号配时(或环岛让行)等多因素耦合影响,仅依靠历史延误值或时间特征未必能充分表征当前拥堵状态。研究人员通过开展控制变量实验,固定RNN架构与超参数,仅改变入参特征组组合,量化各特征类别及其联合作用对短时延误预测精度的影响,为交通预测系统的传感器布设与特征工程设计提供实证依据。本文发表于《Vehicles》。
主要关键技术方法
研究人员选取沙特阿拉伯吉达市某四进口城市环形交叉口,采用TomTom Junction Analytics浮动车数据(Floating Car Data, FCD)获取2025年3月全月分钟级进口道级交通绩效指标(延误Dt、排队长度QLt、停车次数STt、行程时间TTt、交通量Vt),以最拥堵进口道(Approach 2)为主分析对象。特征工程将入参划分为四组:A组历史延误特征(Dt-1、Dt-5、历史基准延误ūDt);B组交通效率指标(停车次数STt、行程效率比(TTt-Dt)/TTt、延误强度Dt/TTt);C组排队相关测量(当前排队长QLt、排队增长率QLt-QLt-1、归一化排队长QLt/max(QL));D组需求相关特征(交通量Vt、流量变化Vt-Vt-5)。所有数值特征做z-score标准化,各情景均加入时间上下文特征(小时与星期几的正弦余弦编码及早晚高峰二值标志)。设计五组输入特征情景:S0(仅时间特征)、S1(S0+A组)、S2(S0+B+C组)、S3(S0+A+B+C组)、S4(S0+A+B+C+D组)。采用滑动窗口回看10步(10分钟)构建序列样本,按时间顺序75%/10%/15%划分训练/验证/测试集。GRU与LSTM网络均配置32隐单元、0.1 Dropout、16神经元ReLU全连接层及单输出神经元,以Adam优化器(η=0.001)、MSE损失函数训练并采用验证集Early Stopping,各配置独立重复训练10次取均值±标准差。评价指标为平均绝对误差(Mean Absolute Error, MAE)与均方根误差(Root Mean Squared Error, RMSE),辅以配对t检验、残差分布分析与跨进口道泛化验证。
研究结果
4.1 整体性能比较(Overall Performance Comparison)
研究人员对比GRU与LSTM在1分钟及5分钟超前预测下五种特征情景的MAE与RMSE(10次重复取均值±标准差)。结果显示:S0(仅时间特征)误差最大(MAE>22 s);加入历史延误S1略有改善(MAE≈20~21 s)但仍有限;引入运行态交通指标(排队、停车、效率比)的S2与S3使MAE降至约17.3 s,较S1显著降低;完整特征S4在1分钟步长下取得最优性能(GRU: MAE=17.24±0.07 s;LSTM: MAE=17.22±0.11 s),较S1提升约17%。S2/S3/S4间差异小且标准差重叠,说明运行态变量已捕获大部分预测信息,需求变量仅带来边际增益。5分钟超前预测时整体误差增大(S0MAE≈22.52 s,S4MAE≈21.84 s),各情景间差距缩小,表明丰富特征集的优势随预测步长增加而减弱。GRU与LSTM性能差异微小,考虑到GRU计算更简,更适合实时部署。
4.2 统计显著性分析(Statistical Significance Analysis)
研究人员对10次运行所得MAE做配对t检验。1分钟步长下S4显著优于S0与S1(p<0.001,GRU与LSTM均如此);S2/S3/S4间差异未达显著。5分钟步长下S4仍显著优于S0,但与S1~S3的差异多不显著,印证特征优势随预测时域延长而衰减。
4.3 时序预测行为(Temporal Prediction Behavior)
研究人员选取代表性半日时段绘制观测延误与S1、S4预测值对比曲线。S4能更好追踪延误峰值幅度与快速变化时刻,S1则趋向平滑并低估高峰高延误值。LSTM呈现相似趋势但S1与S4差距略小于GRU,与定量指标吻合。
4.4 残差分布分析(Residual Distribution Analysis)
研究人员绘制S1与S4残差(观测?预测)直方图。S4残差更集中于零附近、离散度更窄且极端误差异常值更少,说明完整特征集提升了模型对突发交通状态变化的捕捉能力,GRU与LSTM结论一致。
4.5 跨进口道泛化(Cross-Approach Generalization)
研究人员将最佳配置S4应用于其余三个进口道。低流量短排队进口道(Approach 1) MAE≈8.17 s,其余接近主分析进口道(MAE≈16.6~17.4 s)。说明框架具跨进口适用性,预测难度受各进口交通量与排队变异性影响。
4.6 超参数敏感性分析(Hyperparameter Sensitivity Analysis)
研究人员变动GRU隐单元数(16/32/64)重训S4。MAE分别为≈17.28 s(16单元)、≈17.19 s(32单元)、≈17.39 s(64单元),差异微小,表明预测性能主要由特征配置驱动而非网络容量精细调优。
讨论与结论总结
研究人员指出排队长度与停车次数是最具信息量的预测因子——前者直接反映供需失衡导致的拥堵积累,后者表征停车-起步波关联的拥堵强度;运行态指标隐含了短时历史交通状态(排队形成即体现前数分钟拥堵累积),故历史延误+运行态组合相较运行态单独使用增益有限;需求变量(交通量)对预测贡献微弱,因其影响已被排队动态整合。实践中推荐优先采集排队与停车检测数据以支撑短时延误预测,可降低数据需求与计算负担。局限含单环岛单进口主分析、固定RNN架构未测其他模型、仅单步超前预测。未来可拓展至多路口多网络、多步预测、纳入天气/事件因子及可解释性分析。
结论:本研究通过控制实验框架证实——①仅时间特征不足以刻画路口短时延误波动;②运行态交通指标(排队动态、停车模式、效率比)是短时交叉口延误预测最关键的特征组;③完整特征集(S4)在1分钟超前预测下精度最高但较纯运行态特征增益有限,5分钟超前预测各特征组差异缩小;④GRU与LSTM表现相当,特征选择比RNN架构选择影响更大;⑤框架具跨进口泛化能力且对隐单元数不敏感。研究表明有效短时交叉口延误预测可用紧凑的运行态特征集实现,无需冗长历史序列或复杂特征工程。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号