基于Hadoop电动汽车充电站负荷预测.docVIP

基于Hadoop电动汽车充电站负荷预测 　　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 　　?槊魅酚跋炜旎皇匠涞缯靖汉杀浠?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