蔡榕 李潔 劉乙 李亞飛

(國網(wǎng)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(yè)的飛速發(fā)展，燃料動力汽車的大規(guī)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(xiàn)能源可持續(xù)發(fā)展和環(huán)境保護的目標，世界各國都在發(fā)展新能源汽車。然而，目前我國充電站建設(shè)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(jù)目前的新能源電動汽車發(fā)展趨勢看，預計2025 年我國將建設(shè)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(shè)備，而且服務網(wǎng)絡分散。本文首先介紹了BP 神經(jīng)網(wǎng)絡[2]，針對BP 神經(jīng)網(wǎng)絡的基本情況，介紹了BP 神經(jīng)網(wǎng)絡的基本內(nèi)容和實現(xiàn)步驟，提出了基于BP 神經(jīng)網(wǎng)絡的智能移動充電樁的分配及調(diào)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(shù)量、充電樁的使用時間和充電樁的分布為輸入樣本，設(shè)置10 組輸出樣本數(shù)據(jù)，其中7 組數(shù)據(jù)用于訓練，3 組數(shù)據(jù)用于測試，通過BP 神經(jīng)網(wǎng)絡進行預測，能更好地優(yōu)化停車場中智能移動充電樁的分配及調(diào)度情況，更好地讓用戶使用智能充電樁。

1 智能充電樁網(wǎng)絡大數(shù)據(jù)關(guān)鍵技術(shù)

1.1 數(shù)據(jù)集成管理技術(shù)

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

1.2 數(shù)據(jù)分析技術(shù)

通過使用智能網(wǎng)絡大數(shù)據(jù)分析技術(shù)，可以從大數(shù)據(jù)動態(tài)系統(tǒng)中推導出動態(tài)方法和規(guī)則，為決策者提供決策支持。除了傳統(tǒng)的理論研究，大數(shù)據(jù)研究還包括歸納、統(tǒng)計、分析、發(fā)現(xiàn)、分類、比較、聚類等[3]。在大數(shù)據(jù)時代，其中“相關(guān)性分析”大放異彩。通過在事件中找到良好的相關(guān)性，并對應的進行“相關(guān)性分析”，可以捕捉現(xiàn)在并預測未來[4]。大數(shù)據(jù)相關(guān)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(shù)據(jù)分析，通過全面數(shù)據(jù)分析獲取更加準確的信息。

1.3 數(shù)據(jù)處理技術(shù)

智能移動充電樁調(diào)度的大數(shù)據(jù)處理技術(shù)包括分布式計算技術(shù)、內(nèi)存計算技術(shù)、流處理技術(shù)等，這三種技術(shù)都可以應用于對象的首要問題解決。分布式計算技術(shù)[5]旨在解決大規(guī)模數(shù)據(jù)的高效處理問題；內(nèi)存計算技術(shù)旨在高效讀取數(shù)據(jù)并實時運行在線計算機；數(shù)據(jù)流處理技術(shù)旨在以不可控的速度和規(guī)模實時處理傳入的數(shù)據(jù)。

2 基于BP 模型的神經(jīng)網(wǎng)絡

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

圖1 BP 神經(jīng)網(wǎng)絡模型結(jié)構(gòu)圖

本文以充電樁的數(shù)量、充電樁的使用時間和充電樁的分布為輸入樣本，設(shè)置10 組輸出樣本數(shù)據(jù)，其中7 組數(shù)據(jù)用于訓練，3 組數(shù)據(jù)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(shù)計算各節(jié)點的實際輸出值。

其導數(shù)形式為：

步驟3：計算輸出層中每個輸出節(jié)點的誤差項：

步驟4：計算隱藏層中每個隱藏節(jié)點的誤差項：

步驟6：按式（8）調(diào)整各連接權(quán)的權(quán)值，并返回到步驟1：

學習過程的目的是調(diào)整網(wǎng)絡的連接參數(shù)，使得網(wǎng)絡的均方誤差最小化。

圖2 BP 神經(jīng)網(wǎng)絡流程圖

3 基于神經(jīng)網(wǎng)絡的智能移動充電樁調(diào)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(qū)域，通過實地數(shù)據(jù)采集，先進行模型訓練，再將預測結(jié)果與實際人流使用充電樁情況進行對比論證。

3.1 數(shù)據(jù)收集和分析

由于智能移動充電樁調(diào)度中心場地的面積有限，充電樁的建設(shè)數(shù)量會有限制，如果在某一時刻調(diào)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(xiàn)用戶不能及時充電的情況。因此本文以某一天調(diào)度中心的智能移動充電樁使用流量為例，通過BP 神經(jīng)網(wǎng)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(diào)度中心的穩(wěn)定運行。調(diào)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(diào)度流量

3.2 BP 神經(jīng)網(wǎng)絡建模分析

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

確定神經(jīng)網(wǎng)絡中隱藏的分層神經(jīng)元的數(shù)量沒有明確的理由。在某些設(shè)計中，只能通過選擇不同的隱藏層神經(jīng)元來訓練網(wǎng)絡，具體體現(xiàn)在以下幾個方面：

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

2）網(wǎng)絡隱藏層中的神經(jīng)元數(shù)量太少，網(wǎng)絡無法很好地學習，訓練結(jié)果的準確性低，所需的訓練數(shù)量需要增加；

3）選擇網(wǎng)絡隱藏層中神經(jīng)元數(shù)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(jīng)元來加速減少錯誤并縮短訓練時間。

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

在神經(jīng)網(wǎng)絡設(shè)計中，可以通過兩個具有不同預測誤差值的網(wǎng)絡來學習預測誤差，并考慮到總體因素，確定適當?shù)闹?，最后采用預期誤差。在神經(jīng)網(wǎng)絡的訓練過程中，首先設(shè)置神經(jīng)網(wǎng)絡的最大訓練時間以及該神經(jīng)網(wǎng)絡可以承受的誤差限制，當訓練時間或錯誤達到預設(shè)值時，訓練結(jié)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(jīng)過BP 神經(jīng)網(wǎng)絡的計算，原始數(shù)據(jù)和預測數(shù)據(jù)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(jīng)網(wǎng)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(jīng)網(wǎng)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(jié)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(jīng)網(wǎng)絡預測，不但在預測計算時間上有一定優(yōu)勢，而且預測誤差最小。因此BP 神經(jīng)網(wǎng)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(diào)度領(lǐng)域。

表1 不同預測方法的預測結(jié)果

3.3 大數(shù)據(jù)智能充電樁調(diào)度可視化實現(xiàn)

針對智能移動充電樁的調(diào)度方案，設(shè)計了可視化系統(tǒng)，通過設(shè)置可視化界面，能夠更好地展現(xiàn)出智能移動充電樁的調(diào)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(shù)據(jù)智能充電樁調(diào)度可視化的實現(xiàn)。

圖5 智能充電樁可視化實現(xiàn)

4 智能移動充電樁的調(diào)度優(yōu)化策略

4.1 合理規(guī)劃與設(shè)計智能充電樁調(diào)度網(wǎng)絡

智能充電樁網(wǎng)絡系統(tǒng)與當?shù)丨h(huán)境和社會治安息息相關(guān)，對企業(yè)的物流成本和經(jīng)濟效益影響很大。政府在規(guī)劃智能充電樁網(wǎng)絡時，應將需要使用智能貨運策略的企業(yè)放在知名地點，從宏觀角度規(guī)劃風險最小、搭建快捷的智能充電樁網(wǎng)絡。政府通過此類規(guī)劃建設(shè)，可以在事故發(fā)生時，利用應急裝置來保障人民的生命財產(chǎn)安全。智能充電樁的安裝，可以由企業(yè)通過加強基礎(chǔ)設(shè)施建設(shè)及網(wǎng)絡系統(tǒng)升級，來選擇最優(yōu)的智能充電樁調(diào)度系統(tǒng)。從經(jīng)濟效益的角度來說，智能充電樁網(wǎng)絡系統(tǒng)同時也降低了企業(yè)的投入成本。政府與企業(yè)合作制定智能充電樁規(guī)劃及運營管理制度，既滿足了企業(yè)經(jīng)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(diào)度現(xiàn)代化

目前，我國各個智能充電樁編程環(huán)節(jié)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(xiàn)有信息技術(shù)相融合，通過信息化升級逐漸代替?zhèn)鹘y(tǒng)物流管理方式，借助信息化的標準流程，實現(xiàn)智能充電樁推廣與運用。