基于Hadoop的电动汽车充电站负荷预测

刘晓悦 孙玉容

摘 要： 为了应对大规模电动汽车充电站负荷的调度管理，提出一种基于Hadoop的模糊灰色GA?BP神经网络负荷预测模型。在云平台上，运用模糊聚类及灰色关联度分析选取相似日，将相似日负荷代入MapReduce架构下的GA?BP神经网络预测模型进行学习，获得待测日的预测负荷。以城市辖区快换式充电站实测数据进行实验，实验结果证明，此方法在快换式充电站的负荷预测上兼具高效性与精确性。

关键词： Hadoop架构； 模糊聚类； 灰色关联分析； 负荷预测； BP神经网络； 快换式电动汽车充电站

中图分类号： TN711?34； TM734 文献标识码： A 文章编号： 1004?373X（2018）13?0074?04

Abstract： A fuzzy gray GA?BP neural network load forecasting model based on Hadoop is proposed to deal with the load dispatch management of large?scale electric vehicle charging station. The fuzzy clustering and gray relational analysis are used in the cloud platform to select the similar days， and then the similar daily loads are brought into the GA?BP neural network prediction model under MapReduce architecture for learning， so as to obtain the forecasting load of the testing day. The experiment was performed for the measured data of quick?change charging station in city area. The experimental results show this method both has efficiency and accuracy for the load forecasting of the quick?change charging station.

Keywords： Hadoop architecture； fuzzy clustering； gray relational analysis； load forecasting； BP neural network； quick?change electric vehicle charging station

0 引 言

电动汽车行业迅速发展，电动汽车负荷数据逐年增加，导致充电站负荷数据量急剧增涨，对电网系统及基础设施产生重大的影响[1?3]。众多数据和实例表明，精准的负荷预测保障了快换式电动汽车的平稳运行和能源的合理调度，对国家电网调度、能源管理有着重要意义[4?6]。

目前，针对电动汽车充电站负荷预测的方法还存在着局限性，文献[7]提出基于模糊聚类分析和BP神经网络的电力系统负荷预测，通过模糊聚类分析选择相似日，建立BP网络模型。但是通过模糊聚类得到的只是与预测日影响因素相似的负荷数据，不具备良好的负荷曲线相似性[8]，并且训练样本复杂，容易陷入局部极小值。文献[9]运用模糊聚类灰色关联分析法选择相似日，根据负荷特点分时建立网络模型预测，但BP网络存在收敛速度慢、权重初始化随机等问题。

对于定点定线大密度行驶的通勤班车，电池快换式电动汽车充电站适合车辆大负荷运转的电能补给方式。为了使辖区诸多充电站组成的负荷网进行科学合理的能源调度管理，本文分析了快换式电动汽车充电站日负荷特性及气象等相关因素，结合负荷数据海量的特点，引入以Hadoop分布式平台为代表的可实现并行计算和分布式处理的云计算[10]。研究一种满足海量数据要求的短期、快速、精准的快换式充电站负荷预测方法，为城市建立大规模电动汽车充电网提供了理论依据和数据支撑。

1 相似日的选择

1.1 模糊聚类

為明确影响快换式充电站负荷变化的因素，对历史负荷数据进行记录研究，结果表明日类型、气象因素和公交调度因素等对负荷的影响较大。在云平台下，通过模糊化规则表1将历史日的主要影响因素转化为数值构成一组特征向量，与待测日模糊化数值相同的日期入选相似日粗集。

1.2 灰色关联分析

上述方法只是粗略得到了相似日，作为预测的数据需要的是与预测日更加接近的数据。在云平台上，将日最高气温、日最低气温、日累计充电车数量作为特征向量进行灰色关联分析。

6） 根据关联度选取待测日的相似日样本，本文选取日粗集中所有关联度[≥]0.9的样本作为相似日。

2 基于Hadoop的GA?BP神经网络预测

2.1 遗传算法优化的BP神经网络

BP神经网络具有很强的非线性函数逼近能力和自学习能力，但也存在学习收敛速度太慢、易陷入局部最小、权重初始化随机等缺点[11]。遗传算法模拟了大自然的生物进化过程，能并行随机搜寻最优解，具有很强的全局搜索能力。用遗传算法来优化BP网络最初的权值和阈值[12?13]，能够加快学习收敛速度，提高模型预测精度。

2.2 基于MapReduce框架的GA?BP神经网络负荷预测模型

传统的BP网络训练方法在海量数据出现时暴露了很多问题，如耗时过多，速度缓慢，甚至因内存不足而无法训练。针对这些问题，提出基于MapReduce框架的GA?BP网络负荷预测模型。

本文使用当前最流行的开源云计算Hadoop平台，首先将文件并行化处理，大大节约了操作时间。Hadoop由分布式文件系统HDFS和MapReduce组成。HDFS提供高吞吐量来访问应用数据，对海量数据的处理具有很高的效率。HDFS是主从架构模式，其架构图如图1所示。

HDFS由一个Namenode（管理节点）和多个Datanode（数据节点）构成，Namenode记录Datanode的信息，Datanode以文件的形式存储HDFS数据。每个普通PC机都可以成为一个节点。

MapReduce是Hadoop的核心，包括Map和Reduce两个阶段，是一种并行编程模式。用键值对表示每个阶段的输入。

在MapReduce框架下，GA?BP网络预测具体的流程如图2所示。

首先在Map函数中读取训练样本及权值阈值，加载到内存。然后进行遗传算法寻优，经过多次迭代达到次数要求后得到优化的权值及阈值。将优化的权值及阈值代入BP神经网络，所有Map任务并行进行神经网络学习，调整网络的连接权值及阈值，经过迭代后如果训练次数或输出误差达到设定值，输出当前权值及阈值[14]。

接收Map函数输出的权值及阈值，累计所有Map端相同个体的权值与阈值并求均值即为最优权值和阈值。更新网络权值，写入HDFS，供下次迭代训练使用。

经过多次MapReduce任务运行后，如果精度满足要求或迭代次数达到要求，训练结束。

3 实验结果与分析

3.1 实验环境及参数设置

实验选用由5台PC机搭建的Hadoop云平台，3台PC机为双核2.6 GHz，4 GB内存，2台为双核2.4 GHz，2 GB内存。Hadoop版本为2.6.0，使用千兆网卡，通过交换机连接。

初始化神经网络参数：输入层节点数[S1=1]，隐层节点数[S2=8]，输出层节点数[S3=1]，输入层到隐层采用双曲正切S型函数tansig，隐层到输出层采用线性函数purelin，网络训练采用trainlm算法。初始权值设置为[0，0.2]间的随机数，初始阈值选取为[0，0.5]间的随机数，学习速率取0.1。遗传交叉率为0.5，变异率为0.003，进化代数为200。

3.2 实验过程及结果分析

唐山市整个辖区分为5个区域，每个区域内又包含20～30个快换式充电站不等，选取辖区内某区域的一个快换式充电站站点（站1）进行实验，采集2016年一整年的负荷数据及气象数据，选取2017年5月15日为待测日，待预测日的实际负荷数据如表2所示。

横向对比法修正异常历史负荷数据。模糊聚类选择相似日粗集，模糊化规则下共得到37个相似日入选相似日粗集。将日粗集的最高气温、最低气温、日累计充电车数量构成子向量，运用灰色关联度分析选择相似日，首先利用式（2）进行初始化变换，消除数量级影响，利用式（3）求得差序列得到差矩阵，找出最大差与最小差，利用式（5）求取灰色关联矩阵系数，最后，利用式（6）得到关联度，筛选出关联度[≥]0.9的相似日共21日，这21个相似日的负荷数据即为样本。对每日20个时刻（5时充电站开始运行，24时充电站关闭）分别建立GA?BP神经网络模型进行预测。将训练样本代入BP神经网络模型进行学习，预测结果如图3所示。

为了验证本文所提方法的精确性与高效性，建立单机GA?BP网络模型对同一日负荷进行预测。

利用式（7），式（8）计算平均相对误差和预测精度来衡量预测结果的好坏，表3为单机GA?BP神經网络模型方法与本文MapReduce模型方法统计对比表。

由表3可以看出，MapReduce模型比单机模型平均相对误差百分比下降了1.08%，预测精度则高出2.07%，说明MapReduce架构下的GA?BP神经网络预测方法具有更精准的预测效果。

分别取20 MB，100 MB，1 024 MB，5 120 MB数据分成4组，进行处理效率对比。为了避免偶然因素产生的误差，取10次测试的平均值作为最终结果，如表4所示。

在数据量较少时，单机的效率优于MapReduce模型的效率。这是由于，当数据量较少时，算法执行期间节点间信息的交互消耗了一定的时间。随着数据量的增加，MapReduce模型的效率越来越高，优势越来越显著，体现了Hadoop在处理海量数据方面更具有高效性。

4 结 论

根据快换式电动汽车充电站的负荷特性与负荷数据特点，提出基于Hadoop的GA?BP神经网络预测模型。在云平台下，结合模糊聚类灰色关联分析提取相似日，对相似日负荷数据进行GA?BP网络预测模型学习训练。通过对某辖区实际区域内快换式充电站的负荷进行预测，证明该方法兼具精确性和高效性，为快换式充电站的负荷预测问题提供了新思路。

参考文献

[1] 田立亭，史双龙，贾卓.电动汽车充电功率需求的统计学建模方法[J].电网技术，2010，34（11）：126?130.

TIAN Liting， SHI Shuanglong， JIA Zhuo. A statistical modeling method for charging power requirements of electric vehicles [J]. Power system technology， 2010， 34（11）： 126?130.

[2] 周逢权，连湛伟，王晓雷，等.电动汽车充电站运营模式探析[J].电力系统保护与控制，2010，38（21）：63?66.

ZHOU Fengquan， LIAN Zhanwei， WANG Xiaolei， et al. Analysis of operation modes of electric vehicle charging stations [J]. Power system protection and control， 2010， 38（21）： 63?66.

[3] 李瑞生，王晓雷，周逢权，等.灵巧潮流控制的电动汽车智能化充电站[J].电力系统保护与控制，2010，38（21）：87?90.

LI Ruisheng， WANG Xiaolei， ZHOU Fengquan， et al. Smart charging stations for smart electric vehicles [J]. Power system protection and control， 2010， 38（21）： 87?90.

[4] 康重庆，夏清，刘梅.电力系统负荷预测[M].北京：中国电力出版社，2007.

KANG Chongqing， XIA Qing， LIU Mei. Power system load forecast [M]. Beijing： China Electric Power Press， 2007.

[5] 牛东晓，曹树华，卢建昌，等.电力负荷预测技术及其应用[M].北京：中国电力出版社，2009.

NIU Dongxiao， CAO Shuhua， LU Jianchang， et al. Power load forecasting technology and its application [M]. Beijing： China Electric Power Press， 2009.

[6] 廖旎焕，胡智宏，马莹莹，等.电力系统短期负荷预测方法综述[J].电力系统保护与控制，2011，39（1）：147?152.

LIAO Yihuan， HU Zhihong， MA Yingying， et al. Review of short?term load forecasting methods for power systems [J]. Power system protection and control， 2011， 39（1）： 147?152

[7] 姚李孝，宋玲芳，李庆宇，等.基于模糊聚类分析与BP网络的电力系统短期负荷预测[J].电网技术，2005，29（1）：20?23.

YAO Lixiao， SONG Lingfang， LI Qingyu， et al. Short?term load forecasting of power system based on fuzzy clustering analysis and BP neural network [J]. Power system technology， 2005， 29（1）： 22?23.

[8] 莫维仁，张伯明，孙宏斌，等.短期负荷预测中选择相似日的探讨[J].清华大学学报（自然科学版），2004，44（1）：106?109.

MO Weiren， ZHANG Boming， SUN Hongbin， et al. Discussion on selecting similar days in short?term load forecasting [J]. Journal of Tsinghua University （natural science edition）， 2004， 44（1）： 106?109.

[9] 张平，潘学萍，薛文超.基于小波分解模糊灰色聚类和BP神经网络的短期负荷预测[J].电力自动化设备，2012，32（11）：121?125.

ZHANG Ping， PAN Xueping， XUE Wenchao. Short?term load forecasting based on wavelet decomposition fuzzy grey clustering and BP neural network [J]. Electric power automation equipment， 2012， 32（11）： 121?125.

[10] 王意洁，孙伟东，周松，等.云计算环境下的分布存储关键技术[J].软件学报，2012，23（4）：962?986.

WANG Yijie， SUN Weidong， ZHOU Song， et al. Key technologies of distributed storage in cloud computing environment [J]. Journal of software， 2012， 23（4）： 962?986.

[11] HE Kaiming， SUN Jian， TANG Xiaoou. Guided image filtering [C]// Proceedings of the 11th European Conference on Computer Vision. Crete， Greece： Springer， 2010： 402?409.

[12] 陈国良，王煦法，庄镇泉，等.遗传算法及其应用[M].北京：人民邮电出版社，2001.

CHEN Guoliang， WANG Xufa， ZHUANG Zhenquan， et al. Genetic algorithm and its application [M]. Beijing： People′s Posts and Telecommunications Press， 2001.

[13] JOBSON D J， RAHMAN Z， WOODELL G A. The statistics of visual representation [C]// Proceedings of International Society for Optical Engineering Visual Information Proceeding. Washington D. C.， USA： SPIE Press， 2002： 25?35.

[14] 朱晨杰，杨永丽.基于MapReduce的BP神经网络算法研究[J].微型电脑应用，2012，28（10）：9?12.

ZHU Chenjie， YANG Yongli. Research on BP neural network algorithm based on MapReduce [J]. Microcomputer applications， 2012， 28（10）： 9?12.