新能源公交車輛大數據決策支持平臺的研究

陳興強唐 可陳岳川周 靜趙 宇楊振國

（1.上海交通投資信息科技有限公司，上海 200000；2.同濟大學電子信息與工程學院，同濟 101102）

新能源公交車輛大數據決策支持平臺的研究

陳興強1唐 可2陳岳川1周 靜1趙 宇1楊振國1

（1.上海交通投資信息科技有限公司，上海 200000；2.同濟大學電子信息與工程學院，同濟 101102）

新能源汽車具有能源利用效率高、環境污染小、適用清潔能源種類多、噪聲低、方便保養、安全性高等優點，成為未來公共交通發展的重點方向。為了實現更高的信息化程度，為國內大型城市的新能源公交車輛的規模化應用提供便利，相關的信息化系統平臺的建設非常重要。大數據技術為新能源公交車輛決策支持平臺建立了數據分析與應用基礎，該大數據決策支持平臺能夠存儲、處理來自不同數據源的多維數據，利用聯機分析處理實現多維度數據分析，運用數據挖掘技術利用新能源公交車輛信息，提供新能源車輛充電決策、充電場地建設決策、電池容量及衰退分析等功能。

新能源公交車輛；大數據技術；決策支持系統；車輛充電決策；電池容量分析

引言

隨著新能源汽車技術逐漸成熟，越來越多的城市將公交優先和新能源車輛推廣作為城市交通發展方向[1]，城市中新能源公共汽車投放運營比例大幅上升，基礎充電設施大量建成，由此產生了大量充電數據、運行數據、流量數據等。但是，相關的數據驅動平臺仍然缺失，數據利用效率低下，組織結構不清晰，數據存儲混亂，數據大量冗余，數據分析功能不足，無法提供更高層的決策分析功能。如何解決數據互通并從海量數據中獲取對新能源汽車運行策略有用的信息是當前面臨的重要難題。

決策支持系統的不斷發展有效地提高了城市公交系統在決策環節的效率[2]，同時減少了做出決策的資源消耗。決策支持系統，是以計算機技術、仿真技術為手段，針對半結構化的決策問題，支持決策活動的系統，能夠為決策者提供數據、信息，幫助明確決策目標和進行問題的識別，提供決策模型以及方案，并對各種方案進行評價和篩選。決策支持系統需要幾種相關技術的支持：數據倉庫技術，數據倉庫按主題組織數據庫中的數據[3]；聯機分析處理技術，聯機分析是基于數據倉庫的決策分析系統中最常見的前端分析技術，支持復雜的分析操作，提供決策支持。聯機分析處理以多維視圖的方式展示給用戶[4]；數據挖掘技術，海量數據中隱藏的規律和數據間的聯系需要通過數據挖掘的方法找出。主要任務包括概念描述、關聯分析、分類與預測、聚類分析、演變分析和孤立點分析等[5]。常用方法包括統計分析方法、關聯規則、聚類算法、神經網絡、決策樹、遺傳算法、粗糙集[6]。

研究開發新能源汽車大數據決策支持平臺是新型公共交通發展的需要，具有指導公共交通規劃、提升公共交通效率、提升能源利用效率的作用。建立一個基于大數據的新能源公交車輛大數據決策支持平臺顯得必不可少。

1 大數據存儲與挖掘技術

新能源車輛的充電數據體量巨大，類型繁多，要求實時性高（充電策略需要實時計算和提供給決策人員和調度人員），符合大數據的特征。

在本數據倉庫中，數據源包含各種結構化和非結構化的數據，新能源車輛的充電數據來源車輛物聯網、充電樁SCADA系統、各級電表、箱變等。數據包括：場站契約容量、場站功率因數、場站峰值用電、場站平時用電、場站谷時用電、400V讀表數、箱變讀表數、車輛路線、車號、車輛行駛公里數、充電時間、充電時長、充電度數等等。從數據源獲取的數據經過分類、清洗轉換等處理后存入數據倉庫，作為決策分析系統的基礎。

1.1 基于多維度的數據存儲方式

充電數據是多維度的面向多類型數據源的數據系統，將所有數據按照結構化程度分為三類：

（1）來自充電樁SCADA系統的數據屬于結構化數據，保存了各個充電現場的信息以及車輛的充電信息，可以直接裝載到數據倉庫中；

（2）車輛行駛數據屬于半結構化數據，通常由人工記載、GPS定位記錄等方式收集，形成路線、公里數、行駛時長等相關的文本或圖像數據，需要進行預處理和預篩選，并對數據進行校正之后裝載到數據倉庫中；

（3）無結構的輔助數據，包括電價曲線、實時衛星數據（道路通行狀態）、遙感數據等復雜格式的數據。

基于多維度的數據存儲方式不同于傳統的關系型數據庫存儲方式，采用數據立方體的方式管理與存儲數據[7]，同時以多維度顯示與組織數據，采用在線聯機分析處理（OLAP）的數據組織形式。OLAP提供數據的切片、切塊、旋轉和鉆取等操作，以剖析數據為目標，能夠從多個角度、多側面觀察多維結構中的數據。

1.2 分布式數據倉庫模型設計

從各種數據源提取相關數據，建立分布式的數據倉庫，在數據倉庫的支持下進行數據挖掘，能夠發現通過人工統計無法快速發現，甚至無法發現的信息，使得數據利用率上升，更好地支持充電決策的制定。

傳統的數據倉庫在單機模式下按照星型模型、雪花模型或星座模型組織數據[8]，這種模式在海量數據狀況下存在問題：數據轉移代價高，數據遷移成本和執行連接代價大；無法快速響應新需求，當出現新的需求或更改已有需求時，傳統數據倉庫在從數據源到前段展現的整個過程中，都需要進行重新計算，這一處理周期是不可忍受的；對數據的處理效率低，傳統數據倉庫的數據操作在單節點上運行，無法適應數據容量增長的速度，成為處理海量數據的限制因素。

分布式的存儲方式能夠方便地進行橫向擴展，能夠滿足海量數據的快速存儲、計算要求。常見的商業云平臺如Hadoop[9]、Spark開始被應用于搭建分布式的大數據平臺。Hadoop開源云計算平臺由HDFS分布式、MapReduce分布式平行計算框架和HBase分布式數據庫組成，在大數據管理和分析等方面已經得到廣泛應用，可以簡化開發者任務。

1.3 MapReduce

MapReduce是谷歌推出的編程模型，能夠在大量普通計算機上實現并行化處理。與數據倉庫結合，將大的數據文件分割成小的數據文件，實現對數據的并行處理，可以提高數據處理效率。MapReduce框架主要包括兩種服務器：獨立的主服務器以及從服務器。主服務器負責任務調度，將任務交給從服務器，并進行監控[10]。

MapReduce的執行過程包括：將輸入的數據切分給不同的機器機型處理；執行Map任務的機器解析數據、轉化為中間形式；對中間形式進行排序、合并；將不同的結果集分給不同的機器，執行Reduce計算；得到輸出結果。 一個典型的MapReduce框架如圖1所示。

圖1 MapReduce基本框架

MapReduce框架具有以下三個特點：

（1）可靠性。對數據集的大規模操作被分發到網絡上的各個節點，每個節點計算完成后返回結果，若一個節點失效，主節點會將該節點的工作重新分配給其他節點。

（2）高效性。采用并行分布式的計算方式，工作被有效地分配到不同節點上，降低對節點性能的依賴，同時提升了效率。

（3）擴展性。系統可以在不影響現有業務的情況下增加資源，提高了靈活性。

2 系統架構

基于大數據的新能源公交車輛充電決策分析平臺分為四層，分別是來源層、數據層、邏輯層和表現層。層次結構如圖2所示。

圖2 大數據決策分析系統架構

2.1 來源層

決策分析系統的底層是來源層，是構建決策支持系統數據倉庫的基礎。來源層包括車輛物聯網、充電樁系統以及其他數據源的車輛運行信息、充電信息、交通流量信息等。

2.2 數據層

該層采用數據倉庫的數據集成方法，從來源層獲取的數據經過三個步驟：抽取數據、數據轉換和數據裝載。這三個步驟確定從哪個系統獲取什么數據，確保數據的完整性和一致性，將處理完成的數據存儲到數據倉庫中，并處理裝載完成后的匯集工作，構造面向多源的更高粒度的數據集市。

2.3 邏輯層

邏輯層是決策支持系統的核心，按照實際使用需求，使用多維數據分析、數據挖掘等算法。支持動態分析報表對數據進行旋轉、切片和分層，用以幫助用戶從各個角度對數據進行分析和比較。提供常用分析模型，提高系統通用性和靈活性。當遇到復雜的、新型的決策需求時，從數據層抽取特定數據建立面向主題的數據集市。

2.4 表現層

將下層各個業務的處理結果進行集成、處理，提供給用戶。使得用戶可以通過瀏覽器、客戶端、移動端等終端進行訪問。

3 決策支持策略

新能源電動汽車大數據決策支持平臺的核心業務是提供新能源車輛運行決策，涉及故障分析、充電樁使用率分析、平谷峰分析、工作雙休對比分析、年度契約負荷分析、月額度使用分析、每百公里電耗分析等，通過趨勢、狀態數據分析、時間日志等，利用運行控制圖、范圍控制圖，形成日常管理數據指導和行業技術決策支撐。

該新能源公交車輛大數據決策平臺主要包括三個方面的決策分析：

3.1 智能充電調度

智能充電調度目的是提高電網的綜合效率，增加電力在交通能源領域中的利用，最大程度的節約成本。智能充電調度主要有基于電網系統的優化和基于交通狀況的優化[11]。當大量電動汽車同時接入電網進行充電時，會加大電網負荷，造成電網電壓偏離和電網損失等問題。基于交通狀況的優化減少電動車輛的轉移成本，同時降低交通路網負荷。單獨對考慮電網系統的優化或者考慮交通狀況的優化都是不夠的。

綜合考慮電動汽車續航里程長短、充電時長、充電設施位置的因素，設計電動汽車充電調度策略流程如下：

（1）初始化電動汽車狀態和道路交通路網狀態：初始化續航里程、電池容量、充電功率、道路擁堵率、充電站負荷等信息，設立路徑搜索過程中的權值。

（2）充電路徑規劃：計算車輛狀況、交通狀況的權值，搜索綜合權值最小的充電路徑集合。

（3）查詢充電站負荷：判斷目標充電站電壓是否過載、是否超出最大容納車輛，如果目標充電站無法支持更多充電車輛，排除該充電站。

（4）判斷電動汽車能否順利到達充電站：判斷充電站是否處于電動汽車剩余里程范圍內。

（5）預測電動汽車充電時間、預測路網流量：預估狀態改變，更新系統狀態。

充電調度流程如圖3所示。

圖3 充電調度流程圖

3.2 停車站規劃

電動汽車充電站的規劃要同時考慮充電場站的建設運營成本和社會效益[12]，以及充電站接入電網系統后對系統的影響，是個典型的多目標決策優化問題。通過分析電動公交車的總體需求量，城市區域交通流量以及充電設施的布局和運營模式[13]，建立最小目標函數，監控以充電樁的建設及管理費用、電動公交車駛向充電樁時間和充電等待時間。以充電樁的最小布局，電動公交車的最小流量、電動公交車距最近充電場所距離以及充電時間限制為約束條件[14]，將整個城市區域網格化，在網格化的結構中選擇部分網格區域作為充電樁場所，并為每個充電場所分配特定數量的充電樁。

3.3 電池壽命及容量衰減

新能源公交車輛的電池通常采用鋰電池，鋰電池的衰退模式有復雜的過程，可以用物理模型描述，包括電極、電解液、電解質等參數[15]。在不同的充放電狀態下，電池壽命和容量衰減差別巨大。傳統的電池壽命以及容量衰減的研究方式是研究鋰電池的內部反應模式，包括電極與流體，電解液、電極與電解質等接觸面之間的反應，在使用過程中無法檢測內部變化。在不同的使用模式、運行狀態下，電池的壽命以及容量衰減曲線是不同的，但是相同、相似的模式下電池容量的衰退是一致的。利用該大數據決策分析平臺記錄下的每次新能源公交車輛充放電過程和電池使用記錄，對不同使用模式下的壽命和容量衰退模式進行聚類，可以有針對性的預測電池的壽命和容量衰減。

根據電池狀態聚類結果，統計電池的充放電過程以及使用過程，建立多個電池狀態類別，然后采用隱馬爾科夫模型建立電池衰退模型[16]：

（1）確立電池衰退點，即電池何時進入衰退狀態。

（2）設定狀態數量，即電池衰退模式數量。對電池各種使用模式進行聚類分析，將電池的使用模式聚類為衰退模式。

（3）設定狀態轉移矩陣。根據記錄的每次充放電模式，通過狀態轉移矩陣計算狀態轉移的概率。

（4）設定初始狀態，根據不同電池的具體狀態設定初始狀態。

根據隱馬爾科夫推導公式即可計算系統狀態參數，預測指定電池壽命與容量衰減過程。

4 結語

隨著新能源時代的到來，以及大數據技術的發展，為城市發展帶來了革命性的機遇。新能源公交車輛大數據決策分析平臺是實現智能化公共交通管理的重要工具。大數據決策分析平臺的關鍵是分布式數據存儲策略以及面向不同任務的數據挖掘策略，在此基礎上形成決策分析系統模型。本文實現了一個分布式的大數據決策分析平臺，并針對新能源公交車使用場景，研究了電動汽車的智能充電策略、停車場站設置方法以及電池容量和衰退預測方法，為新能源公交車輛決策平臺提供了技術支持。

[1] Gong H, Wang M Q, Wang H. New energy vehicles in China: policies, demonstration, and progress[J]. Mitigation and Adaptation Strategies for Global Change, 2013, 18(2): 207-228.

[2] A review and an empirical test: Sharda R, Barr S H, MCDonnell J C. Decision support system effectiveness: a review and an empirical test[J]. Management science, 1988, 34(2): 139-159.

[3] Devlin B, Cote L D. Data warehouse: from architecture to implementation[M]. Addison-Wesley Longman Publishing Co., Inc., 1996.

[4] 劉讓國. 數據倉庫技術在交通信息系統中的應用研究[D]. 中國科學院研究生院(沈陽計算技術研究所)，2007.

[5] 王成. 基于數據倉庫和數據挖掘技術的溫室決策支持系統[J]. 農業工程學報， 2008， 24(11):169-171.

[6] 孫彥超. 基于大數據的高校決策分析系統的構建[J].計算機光盤軟件與應用, 2014(15):108-110.

[7] 李建中. 一種數據倉庫的多維數據模型[J]. 軟件學報，2000， 11(7):908-917.

[8] 陳景. 基于棉花倉儲的數據倉庫構建及可視化技術研究[D]. 首都師范大學， 2014.

[9] Shvachko K, Kuang H, Radia S, et al. The hadoop distributed file system[C]//2010 IEEE 26th symposium on mass storage systems and technologies (MSST). IEEE, 2010: 1-10.

[10] Simplified data processing on large clusters: Dean J, Ghemawat S. MapReduce: simplified data processing on large clusters[J]. Communications of the ACM, 2008, 51(1): 107-113.

[11] 萬爽. 面向交通和電網綜合優化的電動汽車充/換電調度[D]. 北京林業大學， 2015.

[12] 葛少云. 電動汽車充電站規劃布局與選址方案的優化方法[J]. 中國電力， 2012，45(11).

[13] 王輝. 電動汽車充電站規劃與運營研究[D]. 浙江大學, 2013.

[14] 田文奇. 電動汽車換電站有序充電調度策略研究[J].電力系統保護與控 制， 2012(21):114-119.

[15] 戴海峰. 電動汽車用動力鋰離子電池壽命問題研究綜述[J]. 電源技術， 2014， 38(10):1952-1954.

[16] Eddy S R. Hidden markov models[J]. Current opinion in structural biology, 1996, 6(3): 361-365.

Research on decision support platform for big data of new energy buses

(1.Shanghai traff i c investment Mdt InfoTech Ltd, Shanghai 200000;
2. School of Electronic and Information Engineering, Tongji University, Tongji 101102) Chen Xingqiang1Tang Ke2Chen Yuechuan1Zhou Jing1Zhao Yu1Yang Zhenguo1

The new energy buses have the advantages of high energy eff i ciency, low environmental pollution, rich varieties of clean energy, less noise, convenient maintenance, high security, and become the focus of future development of public transport. In order to achieve a higher degree of I informatization and the large-scale application of new energy buses in the domestic cities, facilitating the construction of the information system platform is very important. Big data technology can provide the foundation of data analysis and processing for a new energy vehicle decision support platform, which can store and process multidimensional data from different data source, use on-line analytical processing to fi nish multi dimension data analysis, use data mining technology to utilize new energy buses information, provide charging decision, charging facilities construction and function analysis of the battery capacity decline.

new energy buses, big data technology, decision support system, charging strategy, capacity of battery research

U649.13∶U469.72

A