基于大數據的智能移動充電樁調度方法設計與實現

蔡榕 李潔 劉乙 李亞飛

(國網江蘇省電力有限公司蘇州供電分公司，江蘇蘇州，215004)

0 引言

隨著世界汽車工業的飛速發展，燃料動力汽車的大規模使用導致能源供需缺口較大，排放造成的大氣污染日益嚴重。因此，為了實現能源可持續發展和環境保護的目標，世界各國都在發展新能源汽車。然而，目前我國充電站建設速度遠遠落后于電動汽車的銷售速度，無法滿足日常電動汽車的充電需求。根據目前的新能源電動汽車發展趨勢看，預計2025 年我國將建設超600 萬個充電樁[1]。但目前的服務體系還不完善，服務人員介入的使用場景仍然很多，必然會占用大量的人力和設備，而且服務網絡分散。本文首先介紹了BP 神經網絡[2]，針對BP 神經網絡的基本情況，介紹了BP 神經網絡的基本內容和實現步驟，提出了基于BP 神經網絡的智能移動充電樁的分配及調度策略，并且在商場停車場中搭建了智能移動充電樁，以實際充電樁的數量、充電樁的使用時間和充電樁的分布為輸入樣本，設置10 組輸出樣本數據，其中7 組數據用于訓練，3 組數據用于測試，通過BP 神經網絡進行預測，能更好地優化停車場中智能移動充電樁的分配及調度情況，更好地讓用戶使用智能充電樁。

1 智能充電樁網絡大數據關鍵技術

1.1 數據集成管理技術

從集成的角度來看，它是在邏輯或存儲介質中收集來自不同來源、格式、屬性和特性的物理數據，并存儲主體的一系列變化，采集數據，為系統提供完善的數據共享能力。

1.2 數據分析技術

通過使用智能網絡大數據分析技術，可以從大數據動態系統中推導出動態方法和規則，為決策者提供決策支持。除了傳統的理論研究，大數據研究還包括歸納、統計、分析、發現、分類、比較、聚類等[3]。在大數據時代，其中“相關性分析”大放異彩。通過在事件中找到良好的相關性，并對應的進行“相關性分析”，可以捕捉現在并預測未來[4]。大數據相關性分析方法是基于大量樣本的，該方法不使用隨機分析之類的捷徑，而是使用全數據分析，通過全面數據分析獲取更加準確的信息。

1.3 數據處理技術

智能移動充電樁調度的大數據處理技術包括分布式計算技術、內存計算技術、流處理技術等，這三種技術都可以應用于對象的首要問題解決。分布式計算技術[5]旨在解決大規模數據的高效處理問題；內存計算技術旨在高效讀取數據并實時運行在線計算機；數據流處理技術旨在以不可控的速度和規模實時處理傳入的數據。

2 基于BP 模型的神經網絡

BP 網絡是前向網絡的關鍵部分，并且實現了人工神經網絡的最重要部分。訓練規則是使用最速下降法，并通過誤差傳播來連續調整網絡的權重和偏移，以最小化網絡傳播與預期輸出之間的平方誤差之和。BP 神經網絡模型拓撲結構包括輸入層、隱藏層和輸出層。每個節點層的輸出僅影響下一層中的節點。每層神經元節點的激活函數（tanh, simoid）通常是雙曲線的，而輸出層中神經元節點的激活函數通常是線性函數[6]。通過添加具有輸入層、隱藏層和輸出層的BP 神經網絡模型，以及添加隱藏層和隱藏層神經元節點，BP 神經網絡可以以任意精度近似逼近非線性函數圖[7]。圖1 所示為BP 神經網絡模型的結構體，其中X 為輸入，Y 為輸出，1，2……，S 為中間節點，W 表示中間節點的權值。

圖1 BP 神經網絡模型結構圖

本文以充電樁的數量、充電樁的使用時間和充電樁的分布為輸入樣本，設置10 組輸出樣本數據，其中7 組數據用于訓練，3 組數據用于測試，其算法步驟如下：

步驟1：輸入樣本，并使用事先確定的激勵函數計算各節點的實際輸出值。

其導數形式為：

步驟3：計算輸出層中每個輸出節點的誤差項：

步驟4：計算隱藏層中每個隱藏節點的誤差項：

步驟6：按式（8）調整各連接權的權值，并返回到步驟1：

學習過程的目的是調整網絡的連接參數，使得網絡的均方誤差最小化。

圖2 BP 神經網絡流程圖

3 基于神經網絡的智能移動充電樁調度實例驗證

本論文搭建的驗證平臺選擇商場地下停車場中移動充電樁的區域，通過實地數據采集，先進行模型訓練，再將預測結果與實際人流使用充電樁情況進行對比論證。

3.1 數據收集和分析

由于智能移動充電樁調度中心場地的面積有限，充電樁的建設數量會有限制，如果在某一時刻調度中心沒有空閑充電樁時，會導致電動車不能及時得到充電，或者在某一時刻，充電樁使用流量過大，也會出現用戶不能及時充電的情況。因此本文以某一天調度中心的智能移動充電樁使用流量為例，通過BP 神經網絡進行建模分析，預測下一時刻的智能移動充電樁使用流量，保證調度中心的穩定運行。調度中心某工作日8 時-18 時的智能移動充電樁使用流量如圖3 所示。

圖3 某工作日8 時-18 時的移動充電樁的調度流量

3.2 BP 神經網絡建模分析

從理論上講，在網絡的隱藏層節點可以自由建立的前提下[8-9]，已經證實3 層BP 網絡可以實現隨機精度并接近任何連續功能[10-11]。通常，增加網絡層的數量主要是為了進一步提高準確性并減少錯誤，但是結果會使網絡變得更加復雜，從而增加了網絡訓練的數量和時間。此外，此方法的學習效果比增加網絡層的數量更直觀、更容易調整，因為它可以通過增加隱藏層中神經元的數量來提高網絡學習的準確性。因此，在本文中，網絡中的層數選擇為4 層。

確定神經網絡中隱藏的分層神經元的數量沒有明確的理由。在某些設計中，只能通過選擇不同的隱藏層神經元來訓練網絡，具體體現在以下幾個方面：

1）網絡隱藏層中的神經元越多，網絡功能越強，即參數冗余使系統具有比故障排除更多的參數，因此，與具有適當參數的網絡相比，其故障排除效果較差；

2）網絡隱藏層中的神經元數量太少，網絡無法很好地學習，訓練結果的準確性低，所需的訓練數量需要增加；

3）選擇網絡隱藏層中神經元數量的原理應為通過在滿足診斷性能的前提下添加1 或2 個神經元來加速減少錯誤并縮短訓練時間。

在非線性系統中，無論系統的初始權重可以達到還是收斂于網絡學習的局部最小值，訓練時間都非常重要。系統內的初始權重不能太大，如果初始權重值太大，則調整過程將停止。通常，選擇（-1，1）之間的隨機數。

在神經網絡設計中，可以通過兩個具有不同預測誤差值的網絡來學習預測誤差，并考慮到總體因素，確定適當的值，最后采用預期誤差。在神經網絡的訓練過程中，首先設置神經網絡的最大訓練時間以及該神經網絡可以承受的誤差限制，當訓練時間或錯誤達到預設值時，訓練結束。對某天的8 時-18 時的智能移動充電樁使用流量進行建模，經過BP 神經網絡的計算，原始數據和預測數據的曲線如圖4 所示。其中藍色為原始智能移動充電樁使用流量；黃褐色為預測智能移動充電樁使用流量。

圖4 基于BP 神經網絡的智能移動充電樁使用流量預測曲線

為了更好地對比BP 神經網絡的效果，本文使用其他預測方法對智能移動充電樁使用流量進行了預測，具體預測結果如表1 所列。由表1 可知，在使用的幾種預測方法中，本文提出的BP 神經網絡預測，不但在預測計算時間上有一定優勢，而且預測誤差最小。因此BP 神經網絡預測作為一種很好的預測方法，可以廣泛應用于智能移動充電樁調度領域。

表1 不同預測方法的預測結果

3.3 大數據智能充電樁調度可視化實現

針對智能移動充電樁的調度方案，設計了可視化系統，通過設置可視化界面，能夠更好地展現出智能移動充電樁的調度和使用過程，方便智能移動充電樁的使用和管理，圖5 為大數據智能充電樁調度可視化的實現。

圖5 智能充電樁可視化實現

4 智能移動充電樁的調度優化策略

4.1 合理規劃與設計智能充電樁調度網絡

智能充電樁網絡系統與當地環境和社會治安息息相關，對企業的物流成本和經濟效益影響很大。政府在規劃智能充電樁網絡時，應將需要使用智能貨運策略的企業放在知名地點，從宏觀角度規劃風險最小、搭建快捷的智能充電樁網絡。政府通過此類規劃建設，可以在事故發生時，利用應急裝置來保障人民的生命財產安全。智能充電樁的安裝，可以由企業通過加強基礎設施建設及網絡系統升級，來選擇最優的智能充電樁調度系統。從經濟效益的角度來說，智能充電樁網絡系統同時也降低了企業的投入成本。政府與企業合作制定智能充電樁規劃及運營管理制度，既滿足了企業經濟效益，又兼顧了社會效益。

4.2 用信息化推動智能充電樁調度現代化

目前，我國各個智能充電樁編程環節的信息化水平還很低，溝通不暢，導致大量市場流失。因此，智能移動充電樁應該充分與現有信息技術相融合，通過信息化升級逐漸代替傳統物流管理方式，借助信息化的標準流程，實現智能充電樁推廣與運用。