基于Hadoop的電動汽車充電站負荷預測

劉曉悅 孫玉容

摘 要： 為了應對大規模電動汽車充電站負荷的調度管理，提出一種基于Hadoop的模糊灰色GA?BP神經網絡負荷預測模型。在云平臺上，運用模糊聚類及灰色關聯度分析選取相似日，將相似日負荷代入MapReduce架構下的GA?BP神經網絡預測模型進行學習，獲得待測日的預測負荷。以城市轄區快換式充電站實測數據進行實驗，實驗結果證明，此方法在快換式充電站的負荷預測上兼具高效性與精確性。

關鍵詞： Hadoop架構； 模糊聚類； 灰色關聯分析； 負荷預測； BP神經網絡； 快換式電動汽車充電站

中圖分類號： TN711?34； TM734 文獻標識碼： A 文章編號： 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

電動汽車行業迅速發展，電動汽車負荷數據逐年增加，導致充電站負荷數據量急劇增漲，對電網系統及基礎設施產生重大的影響[1?3]。眾多數據和實例表明，精準的負荷預測保障了快換式電動汽車的平穩運行和能源的合理調度，對國家電網調度、能源管理有著重要意義[4?6]。

目前，針對電動汽車充電站負荷預測的方法還存在著局限性，文獻[7]提出基于模糊聚類分析和BP神經網絡的電力系統負荷預測，通過模糊聚類分析選擇相似日，建立BP網絡模型。但是通過模糊聚類得到的只是與預測日影響因素相似的負荷數據，不具備良好的負荷曲線相似性[8]，并且訓練樣本復雜，容易陷入局部極小值。文獻[9]運用模糊聚類灰色關聯分析法選擇相似日，根據負荷特點分時建立網絡模型預測，但BP網絡存在收斂速度慢、權重初始化隨機等問題。

對于定點定線大密度行駛的通勤班車，電池快換式電動汽車充電站適合車輛大負荷運轉的電能補給方式。為了使轄區諸多充電站組成的負荷網進行科學合理的能源調度管理，本文分析了快換式電動汽車充電站日負荷特性及氣象等相關因素，結合負荷數據海量的特點，引入以Hadoop分布式平臺為代表的可實現并行計算和分布式處理的云計算[10]。研究一種滿足海量數據要求的短期、快速、精準的快換式充電站負荷預測方法，為城市建立大規模電動汽車充電網提供了理論依據和數據支撐。

1 相似日的選擇

1.1 模糊聚類

為明確影響快換式充電站負荷變化的因素，對歷史負荷數據進行記錄研究，結果表明日類型、氣象因素和公交調度因素等對負荷的影響較大。在云平臺下，通過模糊化規則表1將歷史日的主要影響因素轉化為數值構成一組特征向量，與待測日模糊化數值相同的日期入選相似日粗集。

1.2 灰色關聯分析

上述方法只是粗略得到了相似日，作為預測的數據需要的是與預測日更加接近的數據。在云平臺上，將日最高氣溫、日最低氣溫、日累計充電車數量作為特征向量進行灰色關聯分析。

6） 根據關聯度選取待測日的相似日樣本，本文選取日粗集中所有關聯度[≥]0.9的樣本作為相似日。

2 基于Hadoop的GA?BP神經網絡預測

2.1 遺傳算法優化的BP神經網絡

BP神經網絡具有很強的非線性函數逼近能力和自學習能力，但也存在學習收斂速度太慢、易陷入局部最小、權重初始化隨機等缺點[11]。遺傳算法模擬了大自然的生物進化過程，能并行隨機搜尋最優解，具有很強的全局搜索能力。用遺傳算法來優化BP網絡最初的權值和閾值[12?13]，能夠加快學習收斂速度，提高模型預測精度。

2.2 基于MapReduce框架的GA?BP神經網絡負荷預測模型

傳統的BP網絡訓練方法在海量數據出現時暴露了很多問題，如耗時過多，速度緩慢，甚至因內存不足而無法訓練。針對這些問題，提出基于MapReduce框架的GA?BP網絡負荷預測模型。

本文使用當前最流行的開源云計算Hadoop平臺，首先將文件并行化處理，大大節約了操作時間。Hadoop由分布式文件系統HDFS和MapReduce組成。HDFS提供高吞吐量來訪問應用數據，對海量數據的處理具有很高的效率。HDFS是主從架構模式，其架構圖如圖1所示。

HDFS由一個Namenode（管理節點）和多個Datanode（數據節點）構成，Namenode記錄Datanode的信息，Datanode以文件的形式存儲HDFS數據。每個普通PC機都可以成為一個節點。

MapReduce是Hadoop的核心，包括Map和Reduce兩個階段，是一種并行編程模式。用鍵值對表示每個階段的輸入。

在MapReduce框架下，GA?BP網絡預測具體的流程如圖2所示。

首先在Map函數中讀取訓練樣本及權值閾值，加載到內存。然后進行遺傳算法尋優，經過多次迭代達到次數要求后得到優化的權值及閾值。將優化的權值及閾值代入BP神經網絡，所有Map任務并行進行神經網絡學習，調整網絡的連接權值及閾值，經過迭代后如果訓練次數或輸出誤差達到設定值，輸出當前權值及閾值[14]。

接收Map函數輸出的權值及閾值，累計所有Map端相同個體的權值與閾值并求均值即為最優權值和閾值。更新網絡權值，寫入HDFS，供下次迭代訓練使用。

經過多次MapReduce任務運行后，如果精度滿足要求或迭代次數達到要求，訓練結束。

3 實驗結果與分析

3.1 實驗環境及參數設置

實驗選用由5臺PC機搭建的Hadoop云平臺，3臺PC機為雙核2.6 GHz，4 GB內存，2臺為雙核2.4 GHz，2 GB內存。Hadoop版本為2.6.0，使用千兆網卡，通過交換機連接。

初始化神經網絡參數：輸入層節點數[S1=1]，隱層節點數[S2=8]，輸出層節點數[S3=1]，輸入層到隱層采用雙曲正切S型函數tansig，隱層到輸出層采用線性函數purelin，網絡訓練采用trainlm算法。初始權值設置為[0，0.2]間的隨機數，初始閾值選取為[0，0.5]間的隨機數，學習速率取0.1。遺傳交叉率為0.5，變異率為0.003，進化代數為200。

3.2 實驗過程及結果分析

唐山市整個轄區分為5個區域，每個區域內又包含20～30個快換式充電站不等，選取轄區內某區域的一個快換式充電站站點（站1）進行實驗，采集2016年一整年的負荷數據及氣象數據，選取2017年5月15日為待測日，待預測日的實際負荷數據如表2所示。

橫向對比法修正異常歷史負荷數據。模糊聚類選擇相似日粗集，模糊化規則下共得到37個相似日入選相似日粗集。將日粗集的最高氣溫、最低氣溫、日累計充電車數量構成子向量，運用灰色關聯度分析選擇相似日，首先利用式（2）進行初始化變換，消除數量級影響，利用式（3）求得差序列得到差矩陣，找出最大差與最小差，利用式（5）求取灰色關聯矩陣系數，最后，利用式（6）得到關聯度，篩選出關聯度[≥]0.9的相似日共21日，這21個相似日的負荷數據即為樣本。對每日20個時刻（5時充電站開始運行，24時充電站關閉）分別建立GA?BP神經網絡模型進行預測。將訓練樣本代入BP神經網絡模型進行學習，預測結果如圖3所示。

為了驗證本文所提方法的精確性與高效性，建立單機GA?BP網絡模型對同一日負荷進行預測。

利用式（7），式（8）計算平均相對誤差和預測精度來衡量預測結果的好壞，表3為單機GA?BP神經網絡模型方法與本文MapReduce模型方法統計對比表。

由表3可以看出，MapReduce模型比單機模型平均相對誤差百分比下降了1.08%，預測精度則高出2.07%，說明MapReduce架構下的GA?BP神經網絡預測方法具有更精準的預測效果。

分別取20 MB，100 MB，1 024 MB，5 120 MB數據分成4組，進行處理效率對比。為了避免偶然因素產生的誤差，取10次測試的平均值作為最終結果，如表4所示。

在數據量較少時，單機的效率優于MapReduce模型的效率。這是由于，當數據量較少時，算法執行期間節點間信息的交互消耗了一定的時間。隨著數據量的增加，MapReduce模型的效率越來越高，優勢越來越顯著，體現了Hadoop在處理海量數據方面更具有高效性。

4 結 論

根據快換式電動汽車充電站的負荷特性與負荷數據特點，提出基于Hadoop的GA?BP神經網絡預測模型。在云平臺下，結合模糊聚類灰色關聯分析提取相似日，對相似日負荷數據進行GA?BP網絡預測模型學習訓練。通過對某轄區實際區域內快換式充電站的負荷進行預測，證明該方法兼具精確性和高效性，為快換式充電站的負荷預測問題提供了新思路。

參考文獻

[1] 田立亭，史雙龍，賈卓.電動汽車充電功率需求的統計學建模方法[J].電網技術，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] 周逢權，連湛偉，王曉雷，等.電動汽車充電站運營模式探析[J].電力系統保護與控制，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，王曉雷，周逢權，等.靈巧潮流控制的電動汽車智能化充電站[J].電力系統保護與控制，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] 康重慶，夏清，劉梅.電力系統負荷預測[M].北京：中國電力出版社，2007.

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

[5] 牛東曉，曹樹華，盧建昌，等.電力負荷預測技術及其應用[M].北京：中國電力出版社，2009.

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

[6] 廖旎煥，胡智宏，馬瑩瑩，等.電力系統短期負荷預測方法綜述[J].電力系統保護與控制，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，李慶宇，等.基于模糊聚類分析與BP網絡的電力系統短期負荷預測[J].電網技術，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] 莫維仁，張伯明，孫宏斌，等.短期負荷預測中選擇相似日的探討[J].清華大學學報（自然科學版），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] 張平，潘學萍，薛文超.基于小波分解模糊灰色聚類和BP神經網絡的短期負荷預測[J].電力自動化設備，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] 王意潔，孫偉東，周松，等.云計算環境下的分布存儲關鍵技術[J].軟件學報，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] 陳國良，王煦法，莊鎮泉，等.遺傳算法及其應用[M].北京：人民郵電出版社，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，楊永麗.基于MapReduce的BP神經網絡算法研究[J].微型電腦應用，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.