基于并行隨機(jī)森林的電動(dòng)汽車v

基于并行隨機(jī)森林的電動(dòng)汽車v

0電動(dòng)汽車s1g功率預(yù)測(cè)為了滿足能源互聯(lián)網(wǎng)發(fā)展對(duì)電網(wǎng)的需求，它是基于云大物動(dòng)物智能等下一代信息通信技術(shù)的網(wǎng)絡(luò)。它已成為能源轉(zhuǎn)型“再工業(yè)化”的新形式和焦點(diǎn)。電動(dòng)汽車作為清潔環(huán)保的交通工具，近年來(lái)得到了大力推廣國(guó)內(nèi)外學(xué)者V2G功率的預(yù)測(cè)已經(jīng)提出多種方法，主要集中使用概率模型目前，基于大數(shù)據(jù)的并行預(yù)測(cè)技術(shù)在電力系統(tǒng)中已有應(yīng)用，涉及服務(wù)提升本文基于Spark搭建了大數(shù)據(jù)平臺(tái)，在考慮用戶需求的基礎(chǔ)上，確定了V2G功率容量。此外，選取不同時(shí)間節(jié)點(diǎn)歷史數(shù)據(jù)和天氣等作為預(yù)測(cè)特征變量。最終利用采集的大量歷史充電數(shù)據(jù)構(gòu)建日前預(yù)測(cè)訓(xùn)練集，基于并行隨機(jī)森林算法建立日前V2G功率容量并行預(yù)測(cè)模型，并與傳統(tǒng)SVM預(yù)測(cè)方法進(jìn)行比較。1預(yù)測(cè)v2g容量的并行方法1.1v2g的功率能力確定參考文獻(xiàn)式中：C1.2在同一天進(jìn)行v2g功率預(yù)測(cè)1.2.1基于生物活性的預(yù)測(cè)結(jié)果回歸模型隨機(jī)森林算法（randomforest,RF）定義：隨機(jī)森林f是決策樹(shù){h(X,θ從圖1可以看出隨機(jī)森林算法不僅可以實(shí)現(xiàn)數(shù)據(jù)處理的并行化，還可以實(shí)現(xiàn)模型訓(xùn)練的并行化。并行隨機(jī)森林算法的處理過(guò)程如下：(1）首先利用bootstrap從分布式訓(xùn)練集S并行抽取k個(gè)樣本，每個(gè)樣本容量都與原始訓(xùn)練集一樣。采用bootstrap取樣好處是接近37%的樣本不會(huì)出現(xiàn)在抽取的樣本中，一方面可以防止出現(xiàn)過(guò)擬合現(xiàn)象，另一方面剩余的樣本可以作為模型評(píng)估數(shù)據(jù)。(2）在各個(gè)分布式節(jié)點(diǎn)上，利用所抽取的k個(gè)樣本分別并行建立k個(gè)決策樹(shù)模型，這里為了控制模型的復(fù)雜度，設(shè)置樣本最大特征數(shù)閾值m。(3）將抽樣剩余的樣本帶入各個(gè)決策樹(shù)模型中，獲取各個(gè)模型的預(yù)測(cè)結(jié)果。最后，在主節(jié)點(diǎn)上，利用式（2）對(duì)所有的預(yù)測(cè)結(jié)果求算術(shù)平均值得到最終的回歸預(yù)測(cè)結(jié)果。(4）判斷預(yù)測(cè)結(jié)果精度是否符合要求，若不符合要求返回步驟（2）改變決策樹(shù)的個(gè)數(shù)T和隨機(jī)屬性個(gè)數(shù)m這2個(gè)變量值重新生成模型。1.2.2t本文預(yù)測(cè)特征向量日前V2G功率容量預(yù)測(cè)的時(shí)間尺度為日前24小時(shí)，同樣以t本文的預(yù)測(cè)特征向量包括3大類特征變量：天氣情況、歷史數(shù)據(jù)、節(jié)假日數(shù)據(jù)，如表1所示。1.2.3預(yù)測(cè)評(píng)價(jià)指標(biāo)采用平均相對(duì)誤差(MAPE)作為大規(guī)模電動(dòng)汽車功率容量預(yù)測(cè)的評(píng)價(jià)指標(biāo)式中:y?2分析案例和結(jié)果2.1在配電網(wǎng)絡(luò)框架下的樣品采集2.2預(yù)測(cè)精度分析本文基于Spark-1.6.0搭建了1個(gè)主節(jié)點(diǎn)和5個(gè)從節(jié)點(diǎn)分布式處理平臺(tái)。在服務(wù)器上虛擬6臺(tái)配置相同的Ubuntu14.04虛擬機(jī)，內(nèi)存為2G,CPU為2核。選用前180d的數(shù)據(jù)作為樣本訓(xùn)練集，最后1d的數(shù)據(jù)作為預(yù)測(cè)集，以驗(yàn)證所提出的方法。采用式（3）作為預(yù)測(cè)評(píng)價(jià)指標(biāo)，由于影響隨機(jī)森林預(yù)測(cè)模型的精度和泛化誤差的參數(shù)有決策樹(shù)的個(gè)數(shù)T和隨機(jī)屬性個(gè)數(shù)m，通過(guò)保持一個(gè)參數(shù)不變，調(diào)整另一參數(shù)，觀察對(duì)輸出結(jié)果的影響。經(jīng)過(guò)多次試驗(yàn)，最終確定2個(gè)參數(shù)的值為100和3時(shí)綜合效果最優(yōu)，誤差為7.81%，建模時(shí)間為10.1s。從表3可以看出，采用RF預(yù)測(cè)V2G的預(yù)測(cè)精度要比傳統(tǒng)SVM高1.75%，建模時(shí)間RF要比SVM快35.94倍，預(yù)測(cè)時(shí)間RF要比SVM快6.62倍。圖5分別給出了使用RF和SVM算法的V2G功率容量預(yù)測(cè)結(jié)果和真實(shí)值對(duì)比曲線。3電動(dòng)汽車充放電數(shù)據(jù)采集本文基于配電物聯(lián)網(wǎng)技術(shù)采集大量真實(shí)的電動(dòng)汽車充放電數(shù)據(jù)進(jìn)行日前V2G功率容量預(yù)測(cè)分析研究。利用大量歷史和氣象數(shù)據(jù)構(gòu)，構(gòu)建了基于并行隨機(jī)森林算法，建立了日前V2G功率容量的并行預(yù)測(cè)模型，并與傳統(tǒng)SVM預(yù)測(cè)V2G功率容量進(jìn)行對(duì)比分析。實(shí)驗(yàn)結(jié)果表明采用RF預(yù)測(cè)V2G的預(yù)測(cè)精度要比傳統(tǒng)SVM高1.75%，建模時(shí)間RF要比SVM快35.94倍，預(yù)測(cè)時(shí)間RF要比SVM快6.62倍。電動(dòng)汽車數(shù)據(jù)采集架構(gòu)如圖3所示，在新型配電物聯(lián)網(wǎng)架構(gòu)下，可以通過(guò)2種方式采集電動(dòng)汽車充放電數(shù)據(jù)。一種是通過(guò)智能配變終端采集充電樁的數(shù)據(jù)，然后送到云主站；另一種是電動(dòng)汽車直接通過(guò)4G/GPRS上送到云主站。本文使用GPRS技術(shù)每隔1min采集521輛電動(dòng)汽車的真實(shí)充放電數(shù)據(jù)。其中包含379輛公交車，100輛出租車，37輛私家車，5輛公務(wù)車。采集了從2015年11月1日到2016年4月30日共181d