本文的研究主要是基于某充电运营商提供的充电桩数据,这些数据包括充电过程数据和充电桩地理信息数据。研究的目的是预测充电桩的充电量,充电量指单个桩群充电量和系统总体充电量,充电量的预测有以下三个目的:1)使充电设备厂商可以根据充电量动态调整电价,比如在充电量比较低的时候降低电价,鼓励消费者充电,避免资源浪费;在充电量比较高的时候提高电价,增加收入。2)在预测到未来一段时间将要有充电量高峰的时候,可以提前向有关部门购电。3)对于某些充电量特别少的“僵尸桩”可以减少在该桩周围布置新的桩群。本文的充电量预测与一般的时间序列预测不同。首先,充电设备公司提供的数据可能会有错误,在前期处理时应将这些错误数据去除。其次,充电桩充电量的随机性很大,想要精准的预测具有难度。最后,充电桩充电量曲线存在一定的规律性,本文先分析这些充电量曲线的规律,对其进行分类,以提高预测的精度。本文的工作包含以下几个方面,首先,充电运营商提供数据,我们负责利用大数据相关技术进行数据接收和预处理,主要用到的技术是Kafka+Spark Streaming+HBase。其次,本文分析了一些数据的特点,主要是与充电量相关的一些特征,具体的工作包括:利用频谱图对充电量曲线进行分析,判断其是否有周期性;计算温度与充电量相关系数,表明了季节对充电量几乎没有影响;分析了节假日对充电量的影响和充电量曲线的趋势性。接下来,建立模型预测充电量,充电量的预测分为单个桩群和总体充电量的预测,对于单个桩群的预测,首先对桩群进行分类,对无周期性的桩群直接利用Encoderdecoder+LSTM模型训练,对于有周期性的桩群在临近性预测网络的基础上加入周期性预测网络。对于总体充电量(全国和某几个城市)的预测,本文在加入周期性模块的基础上还加入了趋势性模块和节假日、动态电价的影响。最后,分析比较了加入每一个模块模型预测精度提升的效果,同时也比较了本文模型和一些其他模型的预测精度,其他模型主要包括:HA(历史平均值)、ARIMA和Xgboost,主要的评判标准是RMSE和MAPE。实验表明,本文的模型能有效提高充电量预测的精度。