基于大数据的智能移动充电桩调度方法设计与实现

蔡榕 李洁 刘乙 李亚飞

(国网江苏省电力有限公司苏州供电分公司，江苏苏州，215004)

0 引言

随着世界汽车工业的飞速发展，燃料动力汽车的大规模使用导致能源供需缺口较大，排放造成的大气污染日益严重。因此，为了实现能源可持续发展和环境保护的目标，世界各国都在发展新能源汽车。然而，目前我国充电站建设速度远远落后于电动汽车的销售速度，无法满足日常电动汽车的充电需求。根据目前的新能源电动汽车发展趋势看，预计2025 年我国将建设超600 万个充电桩[1]。但目前的服务体系还不完善，服务人员介入的使用场景仍然很多，必然会占用大量的人力和设备，而且服务网络分散。本文首先介绍了BP 神经网络[2]，针对BP 神经网络的基本情况，介绍了BP 神经网络的基本内容和实现步骤，提出了基于BP 神经网络的智能移动充电桩的分配及调度策略，并且在商场停车场中搭建了智能移动充电桩，以实际充电桩的数量、充电桩的使用时间和充电桩的分布为输入样本，设置10 组输出样本数据，其中7 组数据用于训练，3 组数据用于测试，通过BP 神经网络进行预测，能更好地优化停车场中智能移动充电桩的分配及调度情况，更好地让用户使用智能充电桩。

1 智能充电桩网络大数据关键技术

1.1 数据集成管理技术

从集成的角度来看，它是在逻辑或存储介质中收集来自不同来源、格式、属性和特性的物理数据，并存储主体的一系列变化，采集数据，为系统提供完善的数据共享能力。

1.2 数据分析技术

通过使用智能网络大数据分析技术，可以从大数据动态系统中推导出动态方法和规则，为决策者提供决策支持。除了传统的理论研究，大数据研究还包括归纳、统计、分析、发现、分类、比较、聚类等[3]。在大数据时代，其中“相关性分析”大放异彩。通过在事件中找到良好的相关性，并对应的进行“相关性分析”，可以捕捉现在并预测未来[4]。大数据相关性分析方法是基于大量样本的，该方法不使用随机分析之类的捷径，而是使用全数据分析，通过全面数据分析获取更加准确的信息。

1.3 数据处理技术

智能移动充电桩调度的大数据处理技术包括分布式计算技术、内存计算技术、流处理技术等，这三种技术都可以应用于对象的首要问题解决。分布式计算技术[5]旨在解决大规模数据的高效处理问题；内存计算技术旨在高效读取数据并实时运行在线计算机；数据流处理技术旨在以不可控的速度和规模实时处理传入的数据。

2 基于BP 模型的神经网络

BP 网络是前向网络的关键部分，并且实现了人工神经网络的最重要部分。训练规则是使用最速下降法，并通过误差传播来连续调整网络的权重和偏移，以最小化网络传播与预期输出之间的平方误差之和。BP 神经网络模型拓扑结构包括输入层、隐藏层和输出层。每个节点层的输出仅影响下一层中的节点。每层神经元节点的激活函数（tanh, simoid）通常是双曲线的，而输出层中神经元节点的激活函数通常是线性函数[6]。通过添加具有输入层、隐藏层和输出层的BP 神经网络模型，以及添加隐藏层和隐藏层神经元节点，BP 神经网络可以以任意精度近似逼近非线性函数图[7]。图1 所示为BP 神经网络模型的结构体，其中X 为输入，Y 为输出，1，2……，S 为中间节点，W 表示中间节点的权值。

图1 BP 神经网络模型结构图

本文以充电桩的数量、充电桩的使用时间和充电桩的分布为输入样本，设置10 组输出样本数据，其中7 组数据用于训练，3 组数据用于测试，其算法步骤如下：

步骤1：输入样本，并使用事先确定的激励函数计算各节点的实际输出值。

其导数形式为：

步骤3：计算输出层中每个输出节点的误差项：

步骤4：计算隐藏层中每个隐藏节点的误差项：

步骤6：按式（8）调整各连接权的权值，并返回到步骤1：

学习过程的目的是调整网络的连接参数，使得网络的均方误差最小化。

图2 BP 神经网络流程图

3 基于神经网络的智能移动充电桩调度实例验证

本论文搭建的验证平台选择商场地下停车场中移动充电桩的区域，通过实地数据采集，先进行模型训练，再将预测结果与实际人流使用充电桩情况进行对比论证。

3.1 数据收集和分析

由于智能移动充电桩调度中心场地的面积有限，充电桩的建设数量会有限制，如果在某一时刻调度中心没有空闲充电桩时，会导致电动车不能及时得到充电，或者在某一时刻，充电桩使用流量过大，也会出现用户不能及时充电的情况。因此本文以某一天调度中心的智能移动充电桩使用流量为例，通过BP 神经网络进行建模分析，预测下一时刻的智能移动充电桩使用流量，保证调度中心的稳定运行。调度中心某工作日8 时-18 时的智能移动充电桩使用流量如图3 所示。

图3 某工作日8 时-18 时的移动充电桩的调度流量

3.2 BP 神经网络建模分析

从理论上讲，在网络的隐藏层节点可以自由建立的前提下[8-9]，已经证实3 层BP 网络可以实现随机精度并接近任何连续功能[10-11]。通常，增加网络层的数量主要是为了进一步提高准确性并减少错误，但是结果会使网络变得更加复杂，从而增加了网络训练的数量和时间。此外，此方法的学习效果比增加网络层的数量更直观、更容易调整，因为它可以通过增加隐藏层中神经元的数量来提高网络学习的准确性。因此，在本文中，网络中的层数选择为4 层。

确定神经网络中隐藏的分层神经元的数量没有明确的理由。在某些设计中，只能通过选择不同的隐藏层神经元来训练网络，具体体现在以下几个方面：

1）网络隐藏层中的神经元越多，网络功能越强，即参数冗余使系统具有比故障排除更多的参数，因此，与具有适当参数的网络相比，其故障排除效果较差；

2）网络隐藏层中的神经元数量太少，网络无法很好地学习，训练结果的准确性低，所需的训练数量需要增加；

3）选择网络隐藏层中神经元数量的原理应为通过在满足诊断性能的前提下添加1 或2 个神经元来加速减少错误并缩短训练时间。

在非线性系统中，无论系统的初始权重可以达到还是收敛于网络学习的局部最小值，训练时间都非常重要。系统内的初始权重不能太大，如果初始权重值太大，则调整过程将停止。通常，选择（-1，1）之间的随机数。

在神经网络设计中，可以通过两个具有不同预测误差值的网络来学习预测误差，并考虑到总体因素，确定适当的值，最后采用预期误差。在神经网络的训练过程中，首先设置神经网络的最大训练时间以及该神经网络可以承受的误差限制，当训练时间或错误达到预设值时，训练结束。对某天的8 时-18 时的智能移动充电桩使用流量进行建模，经过BP 神经网络的计算，原始数据和预测数据的曲线如图4 所示。其中蓝色为原始智能移动充电桩使用流量；黄褐色为预测智能移动充电桩使用流量。

图4 基于BP 神经网络的智能移动充电桩使用流量预测曲线

为了更好地对比BP 神经网络的效果，本文使用其他预测方法对智能移动充电桩使用流量进行了预测，具体预测结果如表1 所列。由表1 可知，在使用的几种预测方法中，本文提出的BP 神经网络预测，不但在预测计算时间上有一定优势，而且预测误差最小。因此BP 神经网络预测作为一种很好的预测方法，可以广泛应用于智能移动充电桩调度领域。

表1 不同预测方法的预测结果

3.3 大数据智能充电桩调度可视化实现

针对智能移动充电桩的调度方案，设计了可视化系统，通过设置可视化界面，能够更好地展现出智能移动充电桩的调度和使用过程，方便智能移动充电桩的使用和管理，图5 为大数据智能充电桩调度可视化的实现。

图5 智能充电桩可视化实现

4 智能移动充电桩的调度优化策略

4.1 合理规划与设计智能充电桩调度网络

智能充电桩网络系统与当地环境和社会治安息息相关，对企业的物流成本和经济效益影响很大。政府在规划智能充电桩网络时，应将需要使用智能货运策略的企业放在知名地点，从宏观角度规划风险最小、搭建快捷的智能充电桩网络。政府通过此类规划建设，可以在事故发生时，利用应急装置来保障人民的生命财产安全。智能充电桩的安装，可以由企业通过加强基础设施建设及网络系统升级，来选择最优的智能充电桩调度系统。从经济效益的角度来说，智能充电桩网络系统同时也降低了企业的投入成本。政府与企业合作制定智能充电桩规划及运营管理制度，既满足了企业经济效益，又兼顾了社会效益。

4.2 用信息化推动智能充电桩调度现代化

目前，我国各个智能充电桩编程环节的信息化水平还很低，沟通不畅，导致大量市场流失。因此，智能移动充电桩应该充分与现有信息技术相融合，通过信息化升级逐渐代替传统物流管理方式，借助信息化的标准流程，实现智能充电桩推广与运用。